YOLOv4:对象检测的最优速度和准确率(YOLOv4:Optimal Speed and Accuracy of Object Detection)

作       者：Alexey Bochkovskiy,Chien-Yao Wang,Hong-Yuan Mark Liao

作者单位：台湾,中科院信息研究所

联系方式：[email protected],[email protected],[email protected]

源       码：https://github.com/AlexeyAB/darknet

摘要

这里有大量的特征用于特殊卷积神经网络(CNN)的准确率。在大的数据集上联合训练测试这些特征，并在理论上调整结果是很有必要的。一些特征仅仅只能在一些指定的模型上运行，并且针对于特定的问题，或者仅仅用于小规模的数据集；当一些特征比如批量正则化，残差连接在大部分模型、任务、数据集中应用时。我们假设这些普通的特征包含残差权重连接(weighted residual connections(WRC)),交叉阶段连接(cross stage partial connections(CSP)),交叉最小批量正则化(Cross mini-Batch Normalization(CmBN))。我们使用新的特征：WRC、CSP、CmBN、SAT、Mish激活、Mosaic数据增强、CmBN、DropBlock正则化、CIoU损失和他们中的一些的组合来是实现最新的结果：基于Tesla V100在MS COCO数据集上以大约65FPS的实时检测的水平为43.5%的平均精度(50FPS下的平均精度为65.7%)。源码地址：https://github.com/AlexeyAB/darknet。

1 介绍

大多数基于卷积神经网络的对象检测器广泛适用于推荐系统。例如，通过城市视频摄像头执行的低精度的模型搜索免费的停车场，汽车碰撞警告涉及到快速的不精准模型。提升实时对象检测的