Mosaic：YOLOv4来了，大型调优现场，速度和准确率俱佳( 三 )
- S：去除边框敏感性 ，， 之前的中心点回归与anchor的边相关 ， 当需要趋近或时 ， 需要很大的 ， 为此对sigmoid添加一个大于1的因子来减少这个影响
- M：Mosaic数据增强
- IT：IoU阈值 ， 使用大于IoU阈值的anchor进行训练 ， 之前好像只选最大的
- GA：使用遗传算法进行最优超参选择
- LS：标签平滑
- CNB：论文提出的CmBN
- CA：使用余弦退火(Cosine annealing scheduler)进行学习率下降
- DM：动态mini-batch大小 ， 小分辨率时增加mini-batch
- OA：使用最优的anchors
- GIoU, CIoU, DIoU, MSE：bbox损失函数
本文插图
论文也对比了检测端的BoS ， 从结果来看 ， SPP、PAN和SAM同时使用时效果最好 。
Influence of different backbones and pretrained weightings on Detector training
本文插图
论文研究了不同主干网络对检测准确率的影响 ， 可以看到CSPDarknet53能更好地适应各种改进 。
Influence of different mini-batch size on Detector training
本文插图
论文对比了不同的mini-batch大小下的检测准确率 ， 在加入BoF和BoS训练策略后 ， mini-batch的改变几乎对准确率没有影响 。
Results
本文插图
本文插图
本文插图
本文插图
表8、9和10分别为Maxwell GPU、Pascal GPU和Volta GPU上的实验结果 ， 从大量的实验对比来看 ， YOLOv4在速度和准确率上都十分耐看 。
本文插图
结论 YOLOv4在速度和准确率上都十分优异 ， 作者使用了大量的trick ， 论文也写得很扎实 ， 在工程还是学术上都有十分重要的意义 ， 既可以学习如何调参 ， 也可以了解目标检测的SOTA trick 。
论文地址：https://arxiv.org/abs/2004.10934
论文代码：https://github.com/AlexeyAB/darknet
本文插图
本文插图
- 那个分分钟处理10亿节点图计算的Plato ， 现在怎么样了？
- 看似毫不相干 ， 哲学与机器学习竟有如此大的交集
- 黑客用上机器学习你慌不慌？这 7 种窃取数据的新手段快来认识一下
- “谷歌杀手”发明者 ， 科学天才 Wolfram
- 数据库激荡40年 ， 深入解析PostgreSQL、NewSQL演进历程
- 【Mosaic：YOLOv4来了，大型调优现场，速度和准确率俱佳】5分钟！就能学会以太坊 JSON API 基础知识
推荐阅读
- 第一财经|AI芯片独角兽来了！寒武纪“闪电”过会，拟募资28亿元
- 装机帝|10th酷睿有门道，618来了10600KF怎么配？有满血Z490还犹豫啥
- 微视观|年度旗舰华为Mate40X来了 芯片拍照功能全面升级
- 搜狐新闻|都说买手机就买华为，昔日王者旗舰迎来大幅降价，机会来了！
- |小米快跟进！华为新专利曝光：屏下摄像头终于要来了
- 山东伟豪思|袋料全自动拆垛机器人的使用给企业带来了哪些益处
- 央视网|倒计时！火星，我们来了！
- 大哥大短讯|苹果时代又来了吗，销量甩华为十八条街
- 太平洋电脑网|被 AirPods Pro 价格劝退？来来来，500 块钱价格段的降噪真无线来了
- 老王撩机|100倍双目变焦，这次能拍月亮了吧，7988元起售的华为P40Pro+来了