YOLOV4&YOLOV5学习笔记

YOLOV4&YOLOV5学习笔记

标签平滑处理来解决类别之间没有关联的问题。
1.

2.

3.
spp一堆池化的组合
4.

5.
特征融合的方法

6.
自对抗训练就是自监督训练

9.

第一个改进，将主干网络中的激活函数改了

11.

新加了spp块，增加感受视野，

14.
yolov3没有告诉候选框应该往哪个方向上去回归

15.
状态3的效果比状态2更好，状态3移动更简单，状态2移动更复杂

16.

17.

GIOU_loss不能衡量下图这种情况

18.

20.
在NMS时不使用CIOU_LOSS是因为，使用CIOU_LOSS需要使用目标框的长和宽，但是在做NMS时，已经是预测阶段了，在预测阶段根本没有目标框。

21.
数据增强

22.
作者使用dropout是为了让中间层的神经网络也能获得想cutout的作用和效果。因为如果你只是使用cutout’时这只是对输入数据进行了数据增强，但是神经网络是很聪明的，如果在神经网络中不使用dropout，那么在神经网络中就不能获得cutout’带来的好处，因为神经网络会将cutout的图片，经过神经网络后，恢复成完整图片，所以这里在神经网络中使用了dropout。

23.
cutout缺点:遮挡的部分是连成的一个整体，而且使规则的，而且这个规则的遮挡对于卷积来说是无效的，因为对于浅层的卷积接收到的数据确实是不完整的，但是对于中间层和最后的卷积，图片经过前面的处理，到达中间层和最后层的图片就已经是完整的了。
24.
普通的dropout是随机的对于目标区域而言遮挡效果不是很好，遮挡的区域太少，下图中的dropout就好像给图片加了一些噪音，所以对它进行了改造，使用的是dropblock，遮挡的区域更大。这样的改变即增大了遮挡的面积，也保证了核心的目标区域不至于全部被遮挡完全。

这儿应该是直接的切片操作，和残差结构的恒等映射是一样的

26.

网络的深度和宽度会不一样就形成了，s，m，l，x，网络的深度和宽度越来越大。

28.

29.

30.

31.