其他提升準確度方法

• 資料擴增方法: Mosaic、SAT(Self-Adversarial Training)

• 用基因演算法求得最佳的超參數。

• 將Spatial Attention的部分改成point-wise attention，Max Pooling跟Average Pooling的處理改成一個卷積運算。

  

• Path Aggregation Network將add改成concatenation。
  

YOLOv4 Architecture

• Backbone採用CSPDarknet-53。
  
  • Bag of Freebies : CutMix、Mosaic、DropBlock、Class label smoothing。
  • Bag of Specials : Mish、Cross-stage Partial connections、Multi-input weighted residual connections。
• Neck採用PANet。
• Head跟YOLOv3採用一樣。
  • Bag of Freebies : CIoU，Cross mimi-Batch Normalization、DropBlock、Mosiac、Self Adversarial Training、Eliminate grid sensitivity、單個正確框用多個anchor、Cosine annealing scheduler、最佳的超參數。
  • Bag of Specials : Mish、SPP、SAM、PAN、DIOU-NMS。
• SPP Module。

實驗

• Bag of Freebies

  • 資料擴增以及激活函數的實驗:
    

  • 其他方法:

    • S: Eliminate grid sensitivity。
    • M: Mosiac方法。
    • IT: IoU閥值。
    • GA: 基因演算法。
    • LS: Class label smoothing。
    • CBN: Cross mini-Batch Normalization。
    • CA: Cosine annealing。
    • DM: Dynamic mini-batch size。
    • OA: 最佳的Anchor。

    

• Bag of Specials

  • G: Gaussian YOLO。
  • SPP、PAN、SAM會得較好的表現。

  

• 不同的Backbone
  

• 不同的Mini-Batch
  

• 和其他方法速度跟準確度比較

  • Average Precision(AP50...95)

    

  • AP50

    

文章使用之圖片擷取自該篇論文