标签：CmBN YOLOv4 Mish 检测器 残差 网络 图形学 连接 封神

比较YOLOv4和其他最先进的目标检测。YOLOv4的运行速度是EfficientSet的两倍，性能相当。YOLOv3的AP和FPS分别提高10%和12%

摘要：据说有大量的特征可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。某些功能只在某些模型上运行，或只针对某些问题运行，或只针对小规模数据集运行；而一些特性，如批处理规范化和残差连接，则适用于大多数模型、任务和数据集。我们假设这些通用特征包括加权残差连接（WRC）、跨阶段部分连接（CSP）、跨小批量标准化（CmBN）、自我对抗训练（SAT）和Mish激活。我们使用了新功能：WRC、CSP、CmBN、SAT、Mish激活、马赛克数据增强、CmBN、DropBlock正则化和CIoU损失，并将其中一些功能结合起来，以实现最先进的结果：MS COCO数据集的43.5%AP（65.7%AP50），实时速度为∼特斯拉V100上的每秒65帧。

目标检测器由以上几个部分组成：数据输入、主干网络、颈部网络、头部（稠密预测：一阶段处理网络；稀疏预测：二阶段处理网络）

对于分类来说是最优的参考模型，对于检测器来说并不总是最优的。与分类器相比，检测器需要以下各项：

•更高的输入网络尺寸（分辨率）-用于检测多个小尺寸对象

•更多层次–更高的感受野，覆盖更大的输入网络

•更多参数–使模型能够在一张图像中检测多个不同大小的对象

不同大小的感受野的影响总结如下：

•增大目标大小-允许查看整个目标

•增大网络大小-允许查看周围的上下文对象

•超过网络规模-增加图像点和最终激活之间的连接数量

为了改进目标检测训练，CNN通常使用以下方法：

•激活：ReLU、leaky-ReLU、参数ReLU、ReLU6、SELU、Swish或Mish

•边界框回归损失：MSE、IoU、GIoU

•数据扩充：剪切、混合、剪切混合

•正则化方法：DropOut、DropPath、Spatial DropOut、 DropBlock

•网络激活的均值和方差标准化：批次标准化（BN）、跨GPU批处理规范化（CGBN或SyncBN）、滤波器响应标准化（FRN）、交叉迭代批量标准化（CBN）

•跳过连接：残差连接，加权残差连接，多输入加权残差连接或跨阶段部分连接（CSP）

为了使设计的探测器更适合在单个GPU上训练，我们进行了如下额外的设计和改进：

•我们介绍了一种新的数据增强马赛克和自我对抗训练（SAT）方法

•我们在应用遗传算法时选择最佳超参数

•我们修改了一些现有方法，使我们的设计适用于有效的训练和检测-修改SAM、修改的PAN和交叉小批量标准化（CmBN）

定义跨小批量标准化（CmBN）。这仅在单个批次内的小批次之间收集统计信息。

YOLOv4包括：

•主干网络：CSPDarknet53

•颈部网络：SPP，PAN

•头部网络：YOLOv3

YOLO v4使用：

•主干网中的BoF：CutMix和马赛克数据增强、DropBlock正则化、类标签平滑

•主干网中的BoS：Mish激活、跨阶段部分连接（CSP）、多输入加权残差连接（MiWRC）

•检测器的BoF：CIoU损失、CmBN、DropBlock正则化、马赛克数据增强、自我对抗训练、消除网格灵敏度，对单个真值使用多个anchor，余弦退火调度器，最优超参数，随机训练形状。

•检测器的BoS：Mish激活，SPP块、SAM块、PAN路径聚合块、DIoU NMS。

我们将SAM从空间注意修改为点注意力，并将PAN的shortcut连接替换为串联连接，分别如图5和图6所示。

实验结果：不同目标检测器的速度和精度对比

微信公众号：

下载对应的论文，在公众号中回复:paper

标签：CmBN,YOLOv4,Mish,检测器,残差,网络,图形学,连接,封神
来源： https://blog.csdn.net/CSS360/article/details/120392935

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。