【论文详解】YOLO4（2020）

文章目录

• 前言
• 1 论文信息
• 2 引言
• 2.1 问题导入
• 2.2 效果对比
• 2.3 贡献
• 3 相关工作
• 3.1 检测器简介
• 3.2 检测器图示
• 4 BOF
• 4.1 BOF定义
• 4.2 数据增广分类
• 4.3 遮挡问题处理
• 4.4 正负样本不平衡问题
• 4.5 多标签学习
• 4.6 边界框回归
• 5 BOS
• 5.1 BOS定义
• 5.2 增大感受野
• 5.3 注意力机制
• 5.4 特征融合
• 5.5 **函数
• 5.6 后处理
• 6 方法论
• 6.1 架构的选择
• 6.2 BOF 与 BOS 的选择
• 6.3 附加改进
• 6.4 YOLO4总结
• 7 实验
• 7.1 实验准备
• 7.2 BOF对分类器的影响
• 7.3 BOF与BOS对检测器的影响
• 7.4 backbone的影响
• 7.5 mini-batch的影响
• 总结

前言

本文开始，论文解析将有选择，有逻辑地分享一手资料，即原文的阅读笔记，尽量不误导大家；因本人水平有限，如有误解之处，还望大佬多多指教。

1 论文信息

题目：YOLOv4: Optimal Speed and Accuracy of Object Detection

论文链接

代码链接

2 引言

2.1 问题导入

2.2 效果对比

2.3 贡献

3 相关工作

3.1 检测器简介

3.2 检测器图示

4 BOF

4.1 BOF定义

4.2 数据增广分类

4.3 遮挡问题处理

4.4 正负样本不平衡问题

4.5 多标签学习

4.6 边界框回归

5 BOS

5.1 BOS定义

5.2 增大感受野

5.3 注意力机制

5.4 特征融合

5.5 **函数

5.6 后处理

6 方法论

6.1 架构的选择

6.2 BOF 与 BOS 的选择

6.3 附加改进

6.4 YOLO4总结

7 实验

7.1 实验准备

7.2 BOF对分类器的影响

7.3 BOF与BOS对检测器的影响

7.4 backbone的影响

7.5 mini-batch的影响

总结

YOLO4 是目标检测发展至今各种 tricks 在 YOLO3 上的集成，实现了精度与速度的同步提升，非常值得大家仔细认真的研读学习。