1 V4版本概述

集各种优秀方案于一身，嫁接了众多主流的目标识别方面的情况。

V4 贡献

3. 数据增强策略分析

BOF

Bag of freebies(BOF)

Mosiac 数据增强

• Mixup
  比如将狗和猫的两张图片混合，一半猫，一半狗。 label 也变成 Dog 0.5 , Cat 0.5

• Cutout, 将狗的部分身体挡住，学习局部，提高难度
• CutMix 将其他类别的如猫提出来挡住狗的一部分。 标签如改成Dog 0.6， Cat 0.4
  yolov4作者参考以上方法，参考CutMix，各个图像按照原有的图像增强方法进行增强，然后将4张图像拼接成一张进行训练。

数据增强

• Random Erase
• Hide and Seek
  

4. DropBlock与标签平滑方法

• 引入噪音干扰，增强当前的输入
  

• DropBlock
  Dropout： 为了防止过拟合，随机的杀死一些神经元
  DroBlack：杀死部分模块，比如将眼镜、耳朵等块挡住，降低过拟合风险，提高泛化能力。
  

• Label Smoothing
  神经网络自觉不错，经常过拟合
  修改标签，进行标签平滑，提高抗过拟合能力。使主要标签占大比例，如0.95
  
  

5. 损失函数遇到的问题

• IOU损失
  
  IOU=0,会出现梯度消失的情况
  引入C，C可以把A、B包含在内
  

6. CIOU损失函数的定义

yolov4最终使用CIOU作为损失函数，同时考虑了重叠面积（IOU），中心距离和长宽比

7.NMS细节改进

NMS: 先找置信度值最大的，然后将其他的提出掉
Soft-NMS:算完DIOU-NMS后，图上绿色框大概率会被干掉。但是图上有2只🐎，绿色的应该要被保留。不满足要求的先不直接剔除掉，而是对其降分，然后在之后看其综合表现，如能达标，则留下，不能达标，则剔除。

8. SPP与CSP 网络结构

## SPP


拆成两部分后，一部分正常走网络，数据量变小了，速度变快了。

CBAM

attention:百分比，挑重点

10 PAN模块

激活函数

整体网络架构