『科技俱乐部菌』大型调优现场，速度和准确率俱佳，YOLOv4来了( 二 ) 作者|VincentLee来源|晓飞的算法工程笔

文章图片
Mosaic是新的数据增强方法，同时融合4张训练图片， CutMix仅融合2张图片，使得目标的检测范围超出其正常的上下文，另外BN每次统计4张图片，这能显著地减少对大mini-batch的需要。
Self-AdversarialTraining(SAT)也提供新的数据增强手段，分为两个前向反向阶段。在第一阶段，先对图片进行前向计算，然后通过反向传播修改图片的像素，注意这里不修改网络的权重，通过这种方式，网络进行了一次对抗式训练，制造出没有目标的假象。在第二阶段，对修改后的图片进行正常的训练。

文章图片
CmBN是改进版的CBN ，仅统计single-batch中的mini-batch ，如图4所示，假设t-3~t为single-batch中的mini-batch ，若干single-batch中包含单个mini-batch ，则CmBN与BN一样。

文章图片
将SAM从spitial-wiseattention修改为point-wiseattention ，即输入和输出的大小一致。

文章图片
将PAN的shortcut连接方法，从相加改为concate 。
YOLOv4
YOLOv4包含：
Backbone：CSPDarknet53
Neck：SPP ， PAN
Head：YOLOv3
YOLOv4使用：
主干网络的BoF(BagofFreebies)：CutMix和Mosaic数据增强,DropBlock正则化,标签平滑(Classlabelsmoothing)
主干网络的BoS(BagofSpecials)：Mish激活,Cross-stagepartialconnections(CSPNet),Multiinputweightedresidualconnections(MiWRC)
检测端的BoF(BagofFreebies)：CIoU-loss,CmBN,DropBlock正则化,Mosaic数据增强,Self-AdversarialTraining,去除边框敏感性(Eliminategridsensitivity ，见实验部分的解释),多anchor回归(之前只选最大的),余弦退火学习率调整(Cosineannealingscheduler),使用遗传算法最优化超参数,随机输入大小
检测端的BoS(BagofSpecials)：Mish激活,SPP-block,SAM-block,PAN通道融合,DIoU-NMS

文章图片
实验
InfluenceofdifferentfeaturesonClassifiertraining

文章图片

文章图片
CutMix、Mosaic数据增强和标签平衡(Classlabelsmoothing)比较有效。
InfluenceofdifferentfeaturesonDetectortraining

文章图片
表4对比的BoF如下：
S：去除边框敏感性，，之前的中心点回归与anchor的边相关，当需要趋近或时，需要很大的，为此对sigmoid添加一个大于1的因子来减少这个影响
M：Mosaic数据增强
IT：IoU阈值，使用大于IoU阈值的anchor进行训练，之前好像只选最大的
GA：使用遗传算法进行最优超参选择
LS：标签平滑
CNB：论文提出的CmBN
CA：使用余弦退火(Cosineannealingscheduler)进行学习率下降
DM：动态mini-batch大小，小分辨率时增加mini-batch
OA：使用最优的anchors
GIoU,CIoU,DIoU,MSE：bbox损失函数