【论文分享】YOLOv4: Optimal Speed and Accuracy of Object Detection
【摘要】 原文链接：https://arxiv.org/abs/2004.109341、背景•目的：设计一种可以满足实际生产运算速度的算法，使用一个传统的GPU就能进行训练跟测试，且可以满足实时性、准确性的要求。•主要贡献：>设计了强大而高效的检测模型，任何人都可以用 1080 Ti 和 2080 Ti训练这个超快而精准的模型。>验证了很多近几年 SOTA 的深度学习目标检测训练技巧。>修改了很多 ...
原文链接：https://arxiv.org/abs/2004.10934
1、背景
•目的：设计一种可以满足实际生产运算速度的算法，使用一个传统的GPU就能进行训练跟测试，且可以满足实时性、准确性的要求。
•主要贡献：
>设计了强大而高效的检测模型，任何人都可以用 1080 Ti 和 2080 Ti训练这个超快而精准的模型。
>验证了很多近几年 SOTA 的深度学习目标检测训练技巧。
>修改了很多 SOTA 的方法， 让它们对单GPU训练更加高效，例如 CBN（Cross mini-Batch Normalization），PAN（Path Aggregation Network），SAM（Spatial Attention Module）等。
2、BoF与BoS
•Bag of freebies（BoF）: 增加了训练时间，但是不增加推理时间，可以让模型泛化性能和鲁棒性更好的方法
>数据增强：加噪声、随机缩放、随机裁剪等
>正则化方法：DropOut、DropBlock等
>平衡正负样本：Focal loss等
>回归loss：GIOU、DIOU
>
•Bag of specials（BoS）: 增加部分推理时间，但是可以显著提高模型性能的方法
>增大感受野：Spatial Pyramid Pooling（ SPP ）等
>注意力机制：Squeeze-and-Excitation (SE)等
>特征融合集成：FPN（ feature pyramid networks）、BiFPN
>更好的激活函数：ReLU、Swish
>后处理算法：NMS
3、模型设计
•检测网络跟分类网络比较需要有如下特点
>更高的输入网络规模（分辨率）–用于检测多个小型物体
>层数更多–更大的感受野用于覆盖尺寸增加的输入网络
>更多参数–用于检测在单个图像中不同大小的多个对象
•虽然CSPResNext50在分类任务中略胜一筹，但是经过理论的分析跟实验的结果，CSPDarknet53更适合于检测任务
•模型改进
•目的：为了使模型在单个GPU上训练的更快
>使用数据增强方法 Mosaic （马赛克） 和 自对抗训练（Self Adversarial Training， SAT）
>使用遗传算法选择最优超参数
>修改版本的 SAM，修改版本的PAN和跨批量归一化（Cross mini-Batch Normalization）
•Mosaic （马赛克）
>把四张图片拼接为一张图片，这等于变相的增大了一次训练的图片数量，可以让最小批数量进一步降低，让在单GPU上训练更容易
•SAT
>自对抗训练（SAT）也是一种新的数据增强方法，它包括两个阶段。第一个阶段中，神经网络更改原始图像；第二阶段中，训练神经网络以正常方式在修改后的图像上执行目标检测任务。
•CmBN(Cross mini-Batch Normalization)
>CBN 的改进版，它仅收集单个批次内 mini-batch 之间的统计数据
•将 SAM 从空间注意力机制（spatial-wise attention）修改为点注意力机制
•PAN 中的shortcut连接替换为concatenation
•模型结构
>CSPDarknet53 （backbone） + SPP+PAN （path-aggregation block，特征增强模块）+ YoloV3
•Yolo V4训练用到的BoF跟BoS
>BoF：CutMix, Mosaic data augmentation, DropBlock regularization, Class label smoothing等
>BoS：Mish activation,SPP-block, SAM-block, PAN path-aggregation block等
4、实验结果
5、总结
•做了很多近几年的各种技巧的对比实验（具体实验结果没有放上来），非常solid
•在提高速度上，进行了一定的创新
•主要工作其实是速度与精度的trade off的过程
【版权声明】本文为华为云社区用户原创内容，转载时必须标注文章的来源（华为云社区）、文章链接、文章作者等基本信息， 否则作者和本社区有权追究责任。如果您发现本社区中有涉嫌抄袭的内容，欢迎发送邮件进行举报，并提供相关证据，一经查实，本社区将立刻删除涉嫌侵权内容，举报邮箱：
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论（0）