没想到系列之YOLOv4:Optimal Speed and Accuracy of Object Detection
两个月以前YOLO之父 Joseph Redmon发文称不能忍受自己的研究被用于军事等带来的负面影响,放弃继续推进YOLO的研究,群里师兄弟们都在为之惋惜,这辈子看不到YOLOv4的出现了,但是没想到昨天突然各大公众号都开始疯狂推送YOLOv4的消息,点开一看YOLOv4的作者确实不是 Joseph Redmon而是Alexey Bochkovskiy。
Alexey Bochkovskiy何许人也?在Windows上复现过YOLOv3的朋友们肯定都对他不陌生,大名鼎鼎的darknetAB帮助大家在windows上顺利复现出yolo的结果,没想到YOLO之父 退役之后,这位俄罗斯的猛人接棒了YOLO,与 YOLOv3 相比,YOLOv4的 AP 和 FPS 分别提高了 10% 和 12%。且不谈继续推进YOLO的研究是否会带来更多负面影响,单纯从研究者角度来说,YOLOv4的问世无疑令人兴奋不已!
YOLOv4论文链接:https://arxiv.org/abs/2004.10934
YOLOv4项目地址:https://github.com/AlexeyAB/darknet
论文abstract中,作者写到,现在已经有很多方法能够提升卷积神经网络的性能,但是需要在大型的数据库上对这些方法合理的组合并测试,并论证这些方法的有效性。某些特征仅在某些模型上运行,并且仅限于特定的问题,或是只能在小型数据集上运行;而另外有些特征(如批归一化和残差连接)则适用于大多数模型、任务和数据集。然后提出YOLOv4上采用了以下方法:WRC, CSP,CmBN, SAT, Mish activation, Mosaic data augmentation, CmBN, DropBlock regularization, and CIoU loss,然后通过一定的组合方式实现了SOTA结果, 在 MS COCO 数据集上获得了 43.5% 的 AP 值 (65.7% AP50),在 Tesla V100 上实现了 ∼65 FPS 的实时速度。
- 加权残差连接(WRC)
- Cross-Stage-Partial-connection,CSP
- 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 损失
初一看有点蒙,YOLOv4中到底整合了多少新东西进去,只能说大佬就是大佬,能沉住气做实验尝试各种能提升性能的方法,还有组合方式。
作者对比了 YOLOv4 和当前最优目标检测器,发现 YOLOv4 在取得与 EfficientDet 同等性能的情况下,速度是 EfficientDet 的二倍!与 YOLOv3 相比,YOLOv4的 AP 和 FPS 分别提高了 10% 和 12%。
YOLOv4的贡献在于:
建立了一个高效强大的目标检测模型。它使得每个人都可以使用 1080Ti 或 2080Ti 的 GPU 来训练一个快速准确的目标检测器。
验证了当前最优 Bag-of-Freebies 和 Bag-of-Specials 目标检测方法在检测器训练过程中的影响。
修改了 SOTA 方法,使之更加高效,更适合单 GPU 训练。这些方法包括 CBN、PAN、SAM 等。
后面具体采用了一些什么方法还需要仔细的阅读论文,令我比较感兴趣的是YOLOv4中加入了注意机制
将 SAM 从空间注意力机制(spatial-wise attention)修改为点注意力机制(point-wise attention),并将 PAN 中的捷径连接替换为级联
最终实验结果AP和AP50,从图上可以看出,YOLOv4是目前最好的目标检测器
简单复现一下YOLOv4,感受一下最新的研究成果!
https://blog.csdn.net/hesongzefairy/article/details/105816736
没想到系列之YOLOv4:Optimal Speed and Accuracy of Object Detection相关推荐
- Paper:《YOLOv4: Optimal Speed and Accuracy of Object Detection》的翻译与解读
Paper:<YOLOv4: Optimal Speed and Accuracy of Object Detection>的翻译与解读 目录 YOLOv4的评价 1.四个改进和一个创新 ...
- AI实战: YOLOv4: Optimal Speed and Accuracy of Object Detection
前言 YOLOv4: Optimal Speed and Accuracy of Object Detection [Submitted on 23 Apr 2020] [是的,你没看错,2020年0 ...
- 【论文翻译】YOLOv4: Optimal Speed and Accuracy of Object Detection
<YOLOv4: Optimal Speed and Accuracy of Object Detection> 链接地址 发表会议: CVPR 2020 Alexey Bochkovsk ...
- 【读点论文】YOLOv4: Optimal Speed and Accuracy of Object Detection,讲明目标检测结构,分析先进的涨点tricks,实现一种精度与速度的平衡
YOLOv4: Optimal Speed and Accuracy of Object Detection Abstract 据说有大量的特征可以提高卷积神经网络(CNN)的准确性.需要在大型数据集 ...
- 论文精读:YOLOv4: Optimal Speed and Accuracy of Object Detection
Abstract 大量的特征据说可以提高卷积神经网络(CNN)的精度.需要在大数据集上对这些特征的组合进行实际测试,并对结果进行理论证明.有些特性只适用于某些模型,只适用于某些问题,或仅适用于小规模 ...
- YOLOv4阅读笔记(附思维导图)!YOLOv4: Optimal Speed and Accuracy of Object Detection
今天刷看到了YOLOv4之时,有点激动和兴奋,等了很久的YOLOv4,你终究还是出现了 论文地址:https://arxiv.org/pdf/2004.10934.pdf GitHub地址:https ...
- 【论文笔记】YOLOv4: Optimal Speed and Accuracy of Object Detection
简介: 笔者原本计划接着解读一篇有关NAS的文章的,奈何今天YOLOv4突然闪亮登场,经不住诱惑,那篇有关NAS的文章就只能后面再写了.好了,废话不多说,进入正题. 论文链接 代码链接 本文链接 前言 ...
- 论文翻译YOLOv4: Optimal Speed and Accuracy of Object Detection YOLOv4:目标检测的最佳速度和精度 论文中文翻译
摘要 有大量的特征被认为可以提高卷积神经网络(CNN)的精度.需要在大型数据集上对这些特性的组合进行实际测试,并对结果进行理论验证.某些特性在特定的建模中起决定性作用,而在特定的强制确定问题中起决定性 ...
- 论文笔记-YOLOv4: Optimal Speed and Accuracy of Object Detection
论文地址:https://arxiv.org/pdf/2004.10934v1.pdf code:https://github.com/AlexeyAB/darknet. 摘要 有大量的技巧可以提高C ...
- 深度学习论文阅读目标检测篇(七)中英对照版:YOLOv4《Optimal Speed and Accuracy of Object Detection》
深度学习论文阅读目标检测篇(七)中英对照版:YOLOv4<Optimal Speed and Accuracy of Object Detection> Abstract 摘要 1. In ...
最新文章
- 【深度学习】——如何提高map值
- odoo controller 继承
- array keys php,php array_keys与array_search的简单使用
- Vue首屏加载白屏问题及解决方案
- Centos安装php提示virtual memory exhausted: Cannot allocate memory
- java代码如何降低重复率_JAVA 如何实现大文本去除重复行
- 为什么街头篮球总提示服务器维护,我玩街头篮球,但这几天它总是说连接不上服务器怎么回事?...
- 一文详解bundle adjustment
- 279. 自然数拆分
- vue3 组件naiveui报错: Extraneous non-props attributes (class) were passed to component but could not be
- 单选题 计算机软件一般包括,2016年计算机一级考试《MSOffice》单选题练习及答案...
- python3处理excel脚本
- win10下点击开始菜单没响应的解决方案
- Visual Studio 2017 Intro
- Google Filament 源码学习(二):三方库分类总结
- python关键字参数必须位于位置参数之前_python关键字参数和位置参数
- 回合制html代码,老框架新思路 最新好玩的回合制网页游戏盘点
- 科研小白常用的一些网站
- 非常好用的XueTr-驱动开发,底层开发等等的好助手
- btrfs基本介绍及应用