目标检测算法 - YOLOv4
1. 简介
YOLOv4是YOLOv3的改进版。YOLOv4并不是原YOLO项目的作者。发表于CVPR2020。
改进：
- 主干特征提取网络：Darknet53 -> CSPDarknet53
- 特征金字塔：SPP，PAN
- 分类回归层：YOLOv3（未改变）
- 训练时用到的小技巧：Mosaic数据增强、Label Smoothing平滑、CIOU、学习率余弦退火衰减
- 激活函数：使用Mish激活函数
- …
性能对比
网络结构：
- Backbone：CSPDarknet53
- Neck：SPP，PAN
- Head：YOLOv3
优化策略：
- Eliminate grid sensitivity
- Mosaic data augmentation
- IoU threshold(match posotive samples)
- Optimizered Anchors
- CIOU
2. YOLOv4整体结构
YOLOv4整体结构
3. Backbone
当输入是416x416时，特征结构如下：
CSP模块
对于输入的特征层，首先将其分为两部分，part1和part2。
对于part2分支，它会通过一系列的dense block，然后通过transition，再将输出和part1上的输出进行融合concat拼接，再通过transition。
在源码中，对于part1和part2是直接将输入特征层按照通道方向进行均分操作。
但是在YOLOv4论文中，并不是这样操作的，如下图。
CSPDarknet53整体结构
作用：
- 增强CNN的学习能力
- 移除计算瓶颈
- 降低显存使用
总体来看，每个CSP模块都有以下特点：
- 相比于输入，输出featuremap大小减半。
- 相比于输入，输出通道数增倍。
- 经过第一个CBM后，featuremap大小减半,通道数增倍。
CSP1和其他CSP有所不同：
-
经过模块第二个CBM后，CSP1 featuremap大小和通道数都不变，但是其他模块featuremap大小不变，通道减半。
-
经过最后一个CBM后，CSP1 featuremap大小不变，通道数减半，但是其他模块featuremap大小通道数都不变。
4. Neck
yolov4的Neck部分主要使用SPP和PANet模块。
SPP
SPP(空间金字塔)可以使得多个尺寸特征融合在一起，输入经过3个maxpool然后concat在一起，maxpool大小分别是13,9和5，yolov4中得SPP模块。
PANet
PANet的网络结构由5个核心模块组成。其中(a)是一个FPN，(b)是PAN增加的自底向上的特征融合层，©是自适应特征池化层，(d)是PANet的bounding box预测头，(e)是用于预测掩码的全连接融合层。
PANet是加强版的FPN，通过融合自底向上和自顶向下两个路径增加模型的表征能力。
