Yolov4 学习笔记

损失函数

666666

之前损失函数存在的问题

之前公式为1-IOU
IOU = (交集面积) / (并集面积)
如果没有相交，分母为0，那么就无法计算
分母接近零：当预测框和真实框的重叠面积非常小，接近于零时，IOU的计算结果可能会非常大，这可能导致梯度下降的问题。在使用IOU作为损失函数进行梯度下降时，如果IOU计算结果非常大，梯度也会变得非常大，从而导致训练不稳定或无法收敛。

GIOU

给真实框和预测框加一个 最小的可以包围它俩的框，这样的话，如果真实框和预测框重叠越小，那么包住它俩的C就越大，以此来判断大小。

GIOU存在的问题：

• 两框重叠的时候，与IOU值相同
• 对于不同尺度的目标不敏感：GIoU在计算时考虑了预测框和真实框的边界框面积，这使得它对于不同尺度的目标不敏感。因此，当目标的尺度差异较大时，GIoU可能无法准确地衡量预测框和真实框之间的重叠程度。
• 对于长宽比差异较大的目标不敏感：GIoU在计算时考虑了预测框和真实框的长宽比，但它仍然对于长宽比差异较大的目标不敏感。这可能导致在评估长宽比差异较大的目标时，GIoU无法准确地反映预测框和真实框之间的匹配程度。
• 对于重叠部分较小的目标不敏感：虽然GIoU在计算时考虑了预测框和真实框的交集面积和并集面积，但它仍然对于重叠部分较小的目标不敏感。当目标的重叠部分非常小时，GIoU可能无法准确地衡量预测框和真实框之间的重叠程度。
• 计算复杂度较高：相比于传统的IOU，GIoU的计算复杂度较高，需要考虑更多的因素，包括边界框面积和长宽比。这可能导致在大规模目标检测任务中的计算开销增加。

DIOU

欧式距离计算公式

CIOU

BOS

SPP net

作用：增强感受野，最大池化

CSP net

SAM

1. 特征深度的注意力机制，哪一层应该特征分配的比重大
2. 平面的注意力机制
3. v4引用的是SAM 计算空间位置的注意力机制，而不计算channel的注意力机制

PAN层

先从FPN说起

mish激活函数