機器學習36：YOLOV4相關理論知識整理

機器學習36：YOLOV4相關理論知識整理：

        YOLOV4論文：https://blog.csdn.net/Sophia_11/article/details/105726907

        YOLOV4論文翻譯：https://blog.csdn.net/qq_34795071/article/details/105734300?fps=1&locationNum=2

        機器之心總結：https://www.jiqizhixin.com/articles/2020-04-24-4

        極市平臺總結：https://blog.csdn.net/Extremevision/article/details/105731159

1.圖示：

2:最終方案：

（1）CSP Darknet53:

         檢測模型需要具有以下特性：

            1）更高的輸入分辨率，爲了更好的檢測小目標；

            2）更多的層，爲了具有更大的感受野；

            3）更多的參數，更大的模型可以同時檢測不同大小的目標。

         也就是選擇具有更大感受野、更大參數的模型作爲backbone。下圖可以看到：CSPResNeXt50僅僅包含16個卷積層，其感受野爲425x425，包含20.6M參數；而CSPDarkNet53包含29個卷積層，725x725的感受野，27.6M參數。這從理論與實驗角度表明：CSPDarkNet53更適合作爲檢測模型的Backbone。

 

（2）SPP：

         https://www.cnblogs.com/zongfa/p/9076311.html

（3）PANet：

         https://www.sohu.com/a/225356135_129720

（4）YOLOv3 Head

（5）CmBN：創新點

（6）多輸入加權殘差連接（Multi-input weighted residual connections）：

          在bifpn中,提出了多輸入加權殘差連接以執行按比例的級別重新加權,然後添加不同比例的特徵圖。

          bifpn論文： https://arxiv.org/pdf/1911.09070.pdf

（7）Mish：

         https://blog.csdn.net/u011984148/article/details/101444274

（8/9）ciouLoss/diouloss：

         https://blog.csdn.net/qq_33270279/article/details/103482085

 

3.訓練方法：數據增強：

（1）Mosaic：創新點

（2）cutmix：

         https://blog.csdn.net/weixin_38715903/article/details/103999227#1.幾種數據增強的區別%3AMixup%2CCutout%2CCutMix

（3）SAT：創新點

（4）Label Smoothing：

         https://blog.csdn.net/qq_43211132/article/details/100510113

（5）dropblock：

         https://blog.csdn.net/qq_14845119/article/details/85103503

 

4.訓練方法：策略：

（1）Cosine annealing scheduler：

         https://blog.csdn.net/CarryLvan/article/details/104394960

         https://blog.csdn.net/zisuina_2/article/details/103250274

 

（2）Random Training Shapes：

         https://blog.csdn.net/qq_33869371/article/details/103076561

         https://www.cnblogs.com/Terrypython/p/10642091.html