YOLO V4 详解

YOLO V4

论文地址：YOLOv4: Optimal Speed and Accuracy of Object Detection (arxiv.org)

主要改进

1. Backbone中加入了CSP, SPP, PAN, 使用了 Mish activation function.
2. 对坐标偏移的 sigmoid 函数进行了缩放，让中心点能够相对容易的匹配极限位置0或者1.
3. 尝试了多种数据增强方法, mosaic, cut mix, label smoothing.
4. 对于要拟合的预选框的调整，因为对坐标偏移的 sigmoid 函数进行了缩放，因此在做正负样本匹配是基于IOU的值可以选择更多的cell.
5. Loss function 改进为 CIOU Loss.

Network structure improvement

Backbone: CSPDarknet53

CSP Module

论文地址：CSPNet: A New Backbone that can Enhance Learning Capability of CNN

优点：

• 增强CNN的学习能力

• 移除bottlenecks structure：
  bottlenecks structure 出现在Resnet中，即对特征的通道数先减小后增大的操作。从而减少了计算的参数量并且能够增加网络的深度。左图没有使用bottlenecks结构，右图使用了。
  

• 降低显存的使用

CSP原文中的CSP模块的结构如下：

实现方式是通过将浅层的feature map一分为二（这个分就是CSP中的P: Partial ），一半去经过block，一半是直接concat到block的output.

YOLO V4 CSPDarknet53中的CSP模块的结构如下：

YOLO V4 中的CSP模块：

不同于原始的CSP将浅层的特征一分为二，CSPDarknet53中是通过两个 1 * 1的卷积层将特征网络的通道减半，对于其中一半通道进行ResBlock等一系列的操作后，和另一半通道进行concat后再进行后续的卷积操作。

SPP Module

论文地址：Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition)

• 解决多尺度问题: 通过不同尺度的pooling，融合不同的特征信息。
  
  SPP模块由四个分支组成。为了保证Concatenate时候每个分支Tnesor的H和W相同，在进行 Maxpooling 时要进行不同程度的Padding，输入每个分支的输入和输出的shape是相同的。

PAN Module

论文地址： Path Aggregation Network for Instance Segmentation (arxiv.org)

原文中的PAN模块结构如下：

相对于FPN结构的将浅层特征和深层特征进行一次融合，PAN结构又进行了一次自下而上的特征的融合。

YOLO V4中的PAN模块，在特征融合的处理上和PAN有所不同，PAN是将两种特征进行相加，而YOLO V4中是将两种特征进行Concat。

Mish Activation function

YOLO V4 中的激活函数使用的是Mish 激活函数。

优化策略

坐标偏移的优化

在YOLO V3中坐标偏移的方法如下，公式中使用 sigmoid 函数将偏移量限制在 0-1 中。

但是 sigmoid 函数存在一个问题，即对于极限值不敏感 (需要输出值为0或者1的情况)。因此，在 YOLO V4 中对于偏移值的计算做出了改变，通过引入一个scale的参数。

$$\begin{array}{r}{b}_x=\sigma (t_x)+c_x\\ b_y=\sigma (t_y)+c_y\end{array}$$
转换成：
$$\begin{array}{r}{b}_x=(\sigma (t_x)\cdot scal{e}_{xy}-\frac{scal{e}_{xy}-1}{2})+c_x\\ b_y=(\sigma (t_y)\cdot scal{e}_{xy}-\frac{scal{e}_{xy}-1}{2})+c_y\end{array}$$

通过这样的操作可以将sigmoid的范围改变，一般将scale设为2，scale后的曲线如下图所示。

$$\begin{array}{r}{b}_x=(2\cdot \sigma (t_x)-0.5)+c_x\\ b_y=(2\cdot \sigma (t_y)-0.5)+c_y\end{array}$$

Data augmentation

常见的数据增强的方法如下

在YOLO V4中，作者实验验证了，CutMix, Mosaic, Label Smoothing, 对于性能的提升有了一定的帮助，如下表所示，红框的内容。

IOU阈值的选取

在YOLO V3中，对于正样本的选取是通过计算anchor与GT的IOU值，并取最大的一个IOU值对应的anchor作为正样本进行优化，这样会存在一个问题就是正样本的个数特别少，对于YOLO V3的优化中，有的办法是将所有大于IOU阈值的anchor都作为正样本来优化。

在YOLO V4中，因为对预测框的偏移值的改进，偏移值的范围从 0-1 变为了 -0.5 - 1.5. 因此，对于YOLO V4的正样本选取，除了最中心的cell的anchor会被选为正样本，附近两个cell的anchor同时会被选择成正样本。

Loss Function

YOLO V4 中，将预测框的损失函数由仅仅考虑x,y,w,h，变为考虑IOU Loss.

Loss function 的发展过程：
最开始YOLO V3 使用的定位损失函数是针对于预测框和GT的坐标值以及高宽进行的L2损失计算。这样计算损失的话,x, y, w, h都是相互独立的，然而实际情况中这四个值是存在某种关系的，所以不少的研究者就使用了IOU loss. 对于IOU loss存在的问题，进一步发展出了 GIOU, DIOU, CIOU loss.

IOU的计算方式：

IOU Loss

优点：

1. 能够更好的反应重合程度
2. 具有尺度不变性

缺点：

1. 当不相交时loss为0

GIOU Loss

其中 $A^c$ 表示能够包含两个边界框最小的包围框的面积， $u$ 表示两个边界框的并集的面积。GIoU的取值范围为[-1, 1]，当两个边界框完全重合时GIoU的值为1，当两个边界框距离很远，此时GIoU的值为-1。

优点：

1. 很好的解决了IoU loss在不相交时为0的问题。

缺点：

1. 当两个边界框宽高一样，且是两个框是水平或者垂直重叠是，GIoU会退化成IoU。
   

DIoU Loss

论文地址：Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression)
IoU 和 GIoU 存在的收敛比较慢以及回归的准确度比较低的问题。如下图，同样的训练轮次，第二行表示的是使用DIoU Loss训练的过程，可以发现DIoU Loss 收敛更快。

出现这样的情况是因为，IoU 和 GIoU 只能表达预测框和目标框之间的重合关系，但并不能很好的表达预测框和目标框之间的位置关系。如下图，可以看出，只有 DIoU 才能表示出两个框的位置关系。

DIOU 的计算公式如下：

$$\begin{array}{c}DIoU=IoU-\frac{{\rho }^2\left(b,b^{gt}\right)}{c^2}=IoU-\frac{d^2}{c^2}\\ -1\le DIoU\le 1\end{array}$$

其中 $c$ 表示两个框的中心点的距离，$d$ 表示两个框的最小外接矩阵的对角线的长度。

DIOU Loss 能够直接最小化两个目标边界框之间的距离，所以能够更好的收敛。

CIOU Loss

DIOU Loss 同时存在问题，它只能表征两个框的重叠面积，中心点的距离。但是，一个好的定位框损失函数也应该考虑框的长宽比。因此，CIOU 则在DIOU的基础上加入了长宽比的信息。

$$\begin{array}{c}CIoU=IoU-\left(\frac{{\rho }^2\left(b,b^{gt}\right)}{c^2}+\alpha v\right)\\ v=\frac{4}{{\pi }^2}{\left(\arctan \frac{w^{gt}}{h^{gt}}-\arctan \frac{w}{h}\right)}^2\\ \alpha =\frac{v}{(1-IoU)+v}\end{array}$$