跳转至

YOLOv4：Optimal Speed and Accuracy of Object Detection

论文

https://arxiv.org/abs/2004.10934

代码

https://github.com/AlexeyAB/darknet

摘要

Cite

据说有大量的特征可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论验证。 某些功能专门针对某些模型和某些问题，或仅针对小规模数据集；而一些特性，如批处理规范化和剩余连接，适用于大多数模型、任务和数据集。 我们假设这些通用特征包括加权剩余连接（WRC）、跨阶段部分连接（CSP）、跨小批量归一化（CmBN）、自我对抗训练（SAT）和误激活。 我们使用了新功能：WRC、CSP、CmBN、SAT、Mish激活、Mosaic数据增强、CmBN，DropBlock正则化和CIoU丢失，并结合其中一些功能， 以实现最先进的结果：在特斯拉V100上，MS COCO数据集的实时速度约为65 FPS，AP为43.5%（AP50为65.7%）。 源代码位于https://github.com/AlexeyAB/darknet

评论