YOLO v4网络实现及解析

简介

 yolo是继rcnn后，针对目标检测速度问题提出的另一种框架。其核心思想是利用整张 图片作为网络输入，直接在输出层回归bbox的位置和所述类别。

网络架构

 目标检测一般由两部分组成：backbone和head。其中backbone是主干网络主要用来 提取图像的特征，head部分根据图像特征来进行目标检测。对于head部分，通常分为两类： one-stage和two-stage的目标检测器。Two-stage的目标检测器的代表是R-CNN系列，它将目 标检测分成两步，第一步先预测出目标框所在的位置，然后在根据该位置上的特征来预测类别。 One-stage目标检测器的代表模型是YOLO, SSD和RetinaNet。它是将rcnn中的两部分放到一起 进行预测。

 yolo的网络结构主要可以分为三部分，如下图所示：

 三个部分分别是backbone、neck、head。backbone主要负责特征提取，neck一般是负责 加强特征，然后head负责预测。

Backbone

 yolo v4的主干网络使用的是CSPDarkent53。

  CSPDarkent53即引入了CSPNet中的主要思想的Darknet53网络结构。CSPNet的主 要内容如下图：

  CSPNet主要结构如上图中（b）所示，输入层（base layer）会被分为两部分：part1 和part2。这里一般是将通道数分为两部分。然后part2的内容继续进行卷积等操作，最后再直接与 part1聚合。

  然后是darknet53，这是yolo v3提出的一种主干网络，主要由一些卷积层和残差结构 组成，其网络结构如下：

Neck

  在neck部分yolo v4最终选用了spp和PANet。spp的主要结构如下：

  如上图，SPP的思路是对于任意大小的feature map首先分成16、4、1 个块，然后在每个块上最大池化，池化后的特征拼接得到一个固定维度的输出。

  然后是PANet，其主要结构如下：

  如图所示，其中（a）是FPN的结构，（b）是该网络提出的bottom-up路径增强， 它与a模块的右侧类似，只是方向不同。然后是（c），它用于融合各个特征层的特征。最后是（d） 与（e），他们分别负责目标检测和语义分割。

HEAD

  yolo v4使用的head与yolo v3的相同。