[DAY 5] YOLOv4-上篇

15th鐵人賽

Xian

2023-09-20 10:29:02

686 瀏覽

分享至

YOLOv4: Optimal Speed and Accuracy of Object Detection

Alexey Bochkovskiy, Chien-Yao Wang, Hong-Yuan Mark Liao

上篇主要說明YOLOv4的重點Bag of freebies以及Bag of specials。

~台灣之光~

在傳統GPU上進行realtime處理，並只須用一顆GPU進行訓練。
CBN、PAN、SAM技術使模型更適合在單顆GPU上更有效的訓練
物件偵測模型分成: Backbone、Neck以及Head.
- Backbones: 特徵提取，通常用ImageNet預訓練。
- Neck: 蒐集不同階段的特徵圖。
- Head: 用來預測類別以及物件的Bounding Boxes。

問題

某些特徵操作只適用於特定的網路模型，或是只適用於小型資料集。
高準確度的模型通常無法達到realtime，且需要用很多顆GPU並用很大的Batch進行訓練。

方法

Bag of Freebies

只增加訓練花費，但是不會增加推論時的花費。
資料增強技術(Data augmentation)，使模型更加robust。(論文中有很多augmentation技術介紹，有興趣者可以參閱原文)
資料不平衡的解決辦法:
- example mining: 不適用一階段偵測的模型。
- focal loss
Label smoothing:將hard label轉成soft label使模型更加robust。
Bounding Box回歸(regression):
- 過去用Mean Square Error求Bounding Box的中心點座標以及長寬，但是每個值對MSE來說是獨立的，沒有考量到物件的整體。
- 因此有IoU的提出，解決上述問題。
- IoU的改進:
  - G-IoU: 考慮到了預測框與正確框的重合度(公式C為兩框的最小矩形面積)
  - D-IoU: 考慮了物件的中心點之間的距離。
    
    分別為預測框與正確框。代表兩框間中心點的歐式距離，C代表兩框最小外接矩形的對角線距離。
  - C-IoU: 在D-IoU的基礎下還考慮了長寬比。
    
    V為長寬比一致性，，為調節參數，。

Bag of Specials

增加一點點的推論時間但是能提升準確度很多。
增加感受野:
- SPP : Spatial Pyramid Pooling，任意大小的輸入特徵圖都可以輸出一維的特徵向量。但能應用在全連接卷積網路當中，因此本文將不同尺度的Max-pooling輸出特徵圖concated起來，以此增加網路的感受野(recpetive field)。
- ASPP : Atrous spatial pyramid pooling，想要有大感受野，就要採用大的卷積核或採用較大步長(stride)的pooling，但是計算量會比較大，因此採用空洞卷積方式。
- RFB : Reception field block，CNN與ASPP的結合，因為會經過不同rate的空洞卷積後再進行concate以及1×1卷積，因此物件的重點會在於卷積核中心位置。
注意力機制(Attention Module):
- 可分成Channel-wise以及Point-wise。
- SE: Squeeze-and-Excitation，學習通道間的關聯性，影像先經過卷積後得到的特徵圖，並經過Squeeze後得到與通道數一樣的向量，再經過Excitation得到重要的影像資訊，最後將一維向量資訊Rescale回原圖一樣大小。
  - Squeeze: 進行global average pooling進行特徵壓縮，使每一個channel都有全域的資訊。
  - Exciatation: 利用非線性激活函數來學習重要影像資訊。
- CBAM: Convolutional block attention module，先進行Channel再進行Spatial attention。
  - Channel Attention: 通過Max Pooling及average Pooling，分別輸入到MLP當中並輸出各自的一維向量，最後將兩輸出by pixel進行合併。
  - Spatial Attention: 同樣進行Max Pooling以及Average Pooling,並將兩輸出特徵圖concated在一起，再經過一個卷積運算後得到一張與原圖大小相同的特徵圖。
- 作者實驗SE在GPU運行可提升10%推論速度，SAM在GPU運行也不會影響推論速度。
特徵融合:
- 將低階物理特徵與高階語意資訊融合在一起。
- FPN(Feature Pyramid Network)
- SFAM(Single-Shot Multi-Level Feature Paramid Network):
  - 利用不同尺度下進行SE運算並將輸出的特徵圖Concated起來。
- ASFF(Adaptively spatial feature fusion):
  - 作者認為過去採用concated以及element-wise方式進行特徵融合並不能很好的利用不同尺度的特徵，因此採用不同層的特徵乘上不同尺度對應的權重，再進行相加得到融合後的特徵圖。
- BiFPN(Biderectional Feature Paramid Network):
  - 融合更多的特徵，並刪除對模型影響不大的節點。
激活函數:
- 讓模型進行權重倒傳遞更加有效率，且不會增加運算成本。
- ReLU: 解決Sigmoid以及tanh特徵消失的問題。
- LRELU、PReLU: 解決輸出小於0時，ReLu梯度為0的問題。
- ReLu6: 設計用來處理量化(quantization)網路。
- SELU: 用來處理self-normalizing 神經網路。
- Swish、Mish: 連續可微分的激活函數。
後處理:
- NMS: Non-Maximum Suppression，用來過濾掉同一物件重複的預測框。
- Greedy NMS: 引入信心度值。
- DIoU-NMS:引入Bounding Box的中心點距離資訊。