YOLOv4网络详解

原视频来自B站UP主霹雳吧啦Wz

YOLOv4网络详解_哔哩哔哩_bilibili

YOLOv4:Optimal Speed and Accuracy of Object Detection(目标检测得最佳速度和精度)

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

YOLOv4网络详解_第1张图片

 CSPDarknet53的优点:

1.增强了CNN的学习能力,加快了网络的推理速度

2.移除了计算的瓶颈

3.降低显存的使用

网络结构-SPP

Spatial Pyramid Pooling(空间的金字塔池化)

能在一定程度上解决多尺度的问题

YOLOv4网络详解_第2张图片

 网络结构-PAN

Path Aggregation Network(路径聚合网络)

YOLOv4网络详解_第3张图片

(a)FPN特征金字塔结构,将高层的语义信息与低层进行融合。

(b)与FPN相反,将低层的语义信息与高层融合

将(a),(b)两个模块合在一起就是PAN

YOLOv4的网络结构

YOLOv4网络详解_第4张图片

注意: 同样的shape(宽、高、深度)才能进行contact(按深度进行拼接)操作

优化策略-Eliminate grid sensitivity(消除网格敏感度)

YOLOv4网络详解_第5张图片

 优化策略-Mosaic data augmentation (马赛克数据增强)

将4张不同的图片按照一定的规律拼接在一起 ,扩充训练样本的多样性

优化策略-IoU threshold(match positive samples) 匹配正样本的IoU阈值 

YOLOv4网络详解_第6张图片

 YOLOv3中每一个grid cell生成3个anchor 模板(Template)

如果多个AT达到阈值,则都作为正样本,来增加正样本的数量。

将中心点所在的grid cell上边和左边的网格的AT2都作为正样本,进一步扩充正样本的数量

YOLOv4网络详解_第7张图片

 YOLOv4网络详解_第8张图片

 优化策略-Optimizered Anchors(优化anchor)

YOLOv4网络详解_第9张图片

 优化策略-CIOU

YOLOv4网络详解_第10张图片

 

你可能感兴趣的:(人工智能,深度学习)