【目标检测】单阶段算法--YOLOv4详解

论文题目 ：《YOLOv4: Optimal Speed and Accuracy of Object Detection》
论文地址：https://arxiv.org/pdf/2004.10934.pdf

一文读懂YOLOv1：YOLOv1
一文读懂YOLOv2：YOLOv2
一文读懂YOLOv3：YOLOv3

简介

       在YOLO之父Joseph Redmon宣布退出计算机视觉研究的时候，很多人都以为目标检测“神器”YOLO系列就此终结。然而就在2020年4月23日，继任者YOLOv4却悄无声息的来了。Alexey Bochkovskiy发表了一篇名为《YOLOV4: Optimal Speed and Accuracy of Object Detection》的文章。并得到了Joseph Redmon的官方认可，被认为是当前最强的实施目标检测模型之一。
       YOLOv4主要针对各种可以提升精度的trick进行了整合，加入到YOLOv3中，得到了最终的YOLOv4.最终在coco数据集上达到了43.5%AP，在Tesla V100上达到65FPS，实现了速度和精度的完美结合。一句话概括就是：“速度差不多的，精度碾压；精度差不多的，速度碾压”。

       上图为YOLOv4与其他优秀检测框架的对比，相比YOLOv3，其在COCO数据集上的平均精度（AP）和帧率精度（FPS）分别提高了10%和12%。

1. 引言

YOLOv4 使用了以下特征组合，实现了新的 SOTA 结果：

● 加权残差连接（WRC）
● 跨阶段部分连接（Cross-Stage-Partial-connection，CSP）
● 跨小批量标准化（Cross mini-Batch Normalization，CmBN）
● 自对抗训练（Self-adversarial-training，SAT）
● Mish激活（Mish-activation）
● Mosaic 数据增强
● DropBlock 正则化
● CIoU Loss

YOLOv4的主要贡献如下：

● 开发了一个高效、强大的目标检测模型。它使每个人都可以使用1080 Ti或2080 TiGPU来训练一个超级快速和准确的目标探测器。
● 验证了在检测器训练过程中，最先进的Bag-of-Freebies和Bag-of-Specials 的目标检测方法的影响。
● 修改了最先进的方法，使其更有效，更适合于单GPU训练，包括CBN、PAN、SAM等。

2. 相关工作

2.1. 目标检测模型

       目前检测器通常可以分为以下几个部分，不管是two-stage还是one-stage都可以划分为如下图的结构，只不过各类目标检测算法设计改进侧重在不同位置。

下面对上图进行简单的概括：

● Input：模型的输入。包括整个图像、一个patch、或者是image pyramid（图像金字塔）。
● Backbone：在不同图像细粒度上聚合并形成图像特征的卷积神经网络， 可以理解为是提取图像特征的部分。可以是VGG16，ResNet-50，ResNeXt-101，DarkNet53等；同时还有一些轻量级的backbone，例如MobileNetv1、v2、v3和ShuffleNetv1、v2等。
● Neck：一系列混合和组合图像特征的网络层，并将图像特征传递到预测层。典型的有（ Additional blocks：SPP、ASPP、RFB、SAM），还有一些（Path-aggregation blocks：FPN、PAN、NAS-FPN、BiFPN、ASFF、SFAM）。
● Head：对图像特征进行预测，生成边界框和并预测类别。包括：Dense Prediction (one-stage)：RPN , SSD , YOLO , RetinaNet (anchor based), CornerNet, CenterNet , MatrixNet, FCOS (anchor free)； Sparse Prediction (two-stage):Faster R-CNN , R-FCN , Mask RCNN (anchor based)RepPoints (anchor free)。

因此，对于一个目标检测模型，可以理解为：

Object detection models = Backbone + Neck + Head

2.2. Bag of freebies（BoF）

       仅仅改变训练策略，并且只增加训练的开销，不增加推理测试的开销的改进，称为Bag of freebies。包括：

（1）数据增强（Data Augmentation）：brightness ，contrast ，hue ，saturation，noise ，random scaling，cropping，flipping ，rotating ，CutOut, MixUp, CutMix
（2）正则化方法：DropOut, DropPath ,Spatial DropOut , or DropBlock
（3）难例挖掘：hard negative example mining ，online hard example mining，focal loss ，label smoothing
（4）损失函数：MSE, IoU, GIoU, CIoU, DIoU

2.3. Bag of specials（BoS）

       只通过增加很小的计算量就可以极大的提高模型精度的方法，称为Bag of specials。包括：

（1）增大感受野：SPP、ASPP、RFB 、Spatial Pyramid Matching (SPM)
（2）引入注意力机制：Squeeze-and-Excitation (SE)、Spatial Attention Module (SAM)
（3）特征融合or特征集成：Residual connections、Weighted residual connections、Multi-input weighted residual connections、Cross stage partial connections (CSP) 、FPN、SFAM、ASFF、BiFPN
（4）激活函数：ReLU、leaky-ReLU、parametric-ReLU、ReLU6、 SELU、Swish、hard-Swish、Mish
（5）后处理（NMS）：NMS, soft NMS，DIoU NMS
（6）归一化方法：Batch Normalization (BN) 、Cross-GPU Batch Normalization (CGBN or SyncBN)、Filter Response Normalization (FRN) 、Cross-Iteration Batch Normalization (CBN)

3. YOLOv4 Method

3.1. 架构选择

       一个模型分类效果好不一定检测效果就好，想要检测效果好需要满足一下几点：

（1）更高的输入图像分辨率：有助于检测小物体。
（2）更深的网络层：能够覆盖更大面积的感受野
（3）更多的参数：更好的检测不同的物体

       假设符合上面几点要求的backboone就是预期的backbone，作者对CSPResNext50和CSPDarknet53进行了比较，如下表所示，表明CSPDarknet53神经网络是作为目标检测backbone的最优选择。

3.2. BoF和BoS的选择

       为了改善目标检测训练，CNN通常使用以下方法：

● 对于训练激活函数，由于PReLU和SELU更难训练，而ReLU6是专门为量化网络设计的，因此将上述其余激活函数从候选列表中删除。
● 在正则化（reqularization）方法上，发表Drop-Block的人将其方法与其他方法进行了详细的比较，其regularization方法取得了很大的成果。因此，作者毫不犹豫地选择DropBlock作为regularization方法。
● 在归一化方法的选择上，由于关注的是只使用一个GPU的训练策略，所以没有考虑syncBN。

3.3. 其他改进

       为了使设计的检测器更适合于单GPU上的训练，作者做了如下的附加设计和改进：

● 新的数据增强方法：Mosaic和Self-Adversarial Training（SAT）。
● 应用遗传算法选择最优参数。
● 改进SAM，改进PAN和交叉小批量标准化(CmBN)，使我们的设计适合于有效的训练和检测。

1. Mosaic

       如下图所示，Mosaic方法是将4张训练图像混合成一张新图像，这样可以丰富图像的上下文信息。这种做法的好处是允许检测上下文之外的目标，增强模型的鲁棒性。此外，在每一层从4个不同的图像批处理标准化计算激活统计，这大大减少了对大mini-batch处理size的需求。

2. Self-Adversarial Training（SAT）

       这是一种新的数据扩充技术，该技术分前后两个阶段进行。在第一阶段，神经网络改变原始图像而不是网络权值。通过这种方式，神经网络对自身执行一种对抗性攻击，改变原始图像，从而造成图像上没有目标的假象。在第二阶段，训练神经网络对修改后的图像进行正常的目标检测。

3. CmBN

       表示CBN的修改版本，如下图所示，定义为跨微批量标准化(CmBN)。这仅收集单个批中的小批之间的统计信息。

4. SAM的改进

       将SAM从空间上的attention修改为点上的attention，并将PAN的short-cut连接改为拼接，分别如图5和图6所示：

3.4. YOLOv4架构总结

1. YOLOv4结构：

● Backbone：CSPDDarkNet53
● Neck：SPP、PAN
● Head：YOLOv3

2. 调优技巧

BOF：

● backbone：CutMix和mosaic数据增强、DropBlock正则化、类标签平滑（label smoothing）。
● detector：CIoU-loss、CmBN、DropBlock正则化、Mosaic数据增强、自对抗训练（Self-Adversarial Training）、消除网格敏感性（Eliminate grid sensitivity）、为单个ground truth使用多个anchors、余弦退火调度器（Cosine annealing scheduler）、最优超参数（Optimal
hyperparameter）、随机训练形状（Random training shapes）。

BOS：

● backbone：Mish激活函数、跨级部分连接(Cross-stage partial connection，CSP)、多输入加权剩余连接(Multi-input weighted residual connection，MiWRC)。
● detector：Mish激活函数、SPP-block、SAM-block、PAN path-aggregation block、DIoU-NMS。