2020 YOLOv4

YOLOv4 提出了 Object detection 中各個問題的分類：Input, Backbone (CNN 架構) , Neck (融合各種 scale 的方式) , Head (如何propose bounding box 的方法 與 loss function)

而 YOLOv4 的架構選擇如下

• Backbone: CSPDarknet53
• Neck: SPP, PAN (PANet)
• Head: YOLOv3

以下為網路架構:

Backbone: CSPDarknet53

我們將 CSP 架構套用到 Darknet53 上即是 CSPDarknet53。

什麼是 CSP？CSPNet (Cross-Stage Partial Network) 提出主要是為了解決三個問題：

1. 增強 CNN 的學習能力，能夠在輕量化的同時保持準確性。
2. 降低計算瓶頸
3. 降低內存成本

我們將 CSP 架構套用到 DensNet 上

加上 CSP 架構後可以觀察到不僅參數量減少，甚至還會提高準確率。

Neck: SPP

圖(a) 是原本 Yolov2 的方式，2D feature map 被弄成 1D 的 feature，所以最後面需要接 fully-connected layers，

圖(b) 則是把他們再接起來，所以後面能繼續接 CNN，為 Yolov3 使用的方式。然後好處是你可以想像成他又多了一層這樣，如下下圖所示

Neck: PAN (PANet)

之前有介紹過 FPN，而 PANet 就是 FPN 的進階版。

而 YOLOv4 有更改一個地方，就是將 addition 改成 concatenation

Head: YOLOv3

YOLOv3

Bag of Freebies & Bag of Specials

論文裡面還分兩類改善方式

• Bag of Freebies (BoF)
  是指不增加推論時間又能夠提高模型準確率的方法
• Bag of Specials (BoS)
  是指增加一些推論時間但能夠提高模型準確率的方法

而 YOLOv4 用到以下這些技巧：

BoF for backbone

• CutMix
  混合與修改 label 的操作
  
• Mosaic data augmentation
  一張圖片當4 張用，某種程度有增加 minibatch size 的效果
  
• DropBlock regularization
  因為圖片是連續的，所以只隨機 dropout 幾個 pixel 是沒什麼用的，要的話就是一整個區域。
  
• Class label smoothing
  因為最後面一層是 cross entropy，所以你要讓你的預測接近 1 的話，這個 label 就要 predict 一個很大的數，假設你最後一層的 output 是 [0.1, 0.1, 0.1, 0.1, 6] 做完 cross entropy 變成 [0.002, 0.002, 0.002, 0.002, 0.992]，你會發現 6 是 0.1 的 60 倍，這種嚴重的偏差，很容易導致 overfitting，所以解決方式很簡單，把你的 ground truth 如下面的公式改成 [0.02, 0.02, 0.02, 0.02, 0.92]，也就是說過度完美的解答是不好的。
  

BoS for backbone

• Cross-Stage Partial connections (CSP)
• Mish activation
  除了大家熟知的 ReLU 以外，還有 leaky ReLU (<0 時還有一點斜率) 為主流。而 Yolov4 使用 Mish activation 為連續可微的函數，如下圖
  
  

數據結果證明 Mish 是比較厲害的

• Multi-input Weighted Residual Connections (MiWRC)

BoF for detector

• CIoU-loss
  
  IoU-loss:
  IoU-loss 有很明顯的缺點，就是當 Bbox 與 ground truth 無交集時，IoU 為 0，並且不能反映出兩個 box 間的遠近，這樣就失去了梯度方向，也就是說無法優化。因此衍伸出了 GIoU-loss，DIoU-loss 和 CIoU-loss 等 loss，這些 loss 都是在 IoU-loss 的基礎上增加一個懲罰項
  $R(𝐵,{𝐵}^{𝑔𝑡})$ 來改進 loss。
  
  GIoU-loss:
  Giou-loss 在 IoU-loss 的基礎上增加一個懲罰項，根據同時包含兩個 box 的最小區域去做計算，當 bbox 的距離越大時，懲罰項將越大。
  
  這邊可以觀察到兩個 box 離得越遠 loss 越大。
  
  但 GIoU 還是有以下缺點，這些缺點會導致收斂速度變慢：
  1.當兩個 box 重疊時， GIoU-loss 會退化成 IoU-loss ，而且值都會一樣
  
  2.當兩個 box 平行或是垂直的時候，會導致 GIoU-loss 的值都會一樣
  
  DIoU-loss:
  DIoU 比 GIoU 更符合 Bbox 回歸的機制，除了參考 GIoU 的方法外還考慮了兩個 box 的中心距離差，使得收斂變快。
  這邊的 c 是使用同時包含兩個 box 的最小區域的對角線去計算。
  而 d 是使用兩個 box 中心點間的歐式距離。
  
  下圖可以觀察到，DIoU-loss 隨著中心點不同而改變，克服了第一個缺點。
  
  下圖可以觀察到，DIoU-loss 隨著中心點不同而改變，克服了第二個缺點。
  
  而收斂速度方面如下圖所示：
  
  CIoU-loss:
  在 DIoU 的基礎下又考慮了長寬比這項因素，懲罰項如下式，其中 𝛼 是權重函數，𝜐 是用來衡量兩個 box 長寬比的相似性。
  
  下圖可以觀察到兩個 box 的長寬比不同 CIoU-loss 也會有所影響。
  
• Cross mini-Batch Normalization (CmBN)
  
• DropBlock regularization
• Mosaic data augmentation
• Self-Adversarial Training (SAT)
  這個作者還在開發中，用 adversal (對抗) 來避免 overfit。
  作法如下：
  1.圖片輸入 model 後，中間會輸出 feature 的值
  2.扣掉這些值，也就是沿著 gradient 對圖片做修改 (model 的參數沒有動)
  3.然後把修改的圖片再丟進 model 訓練。
  e.g. 如果這個 model 只判斷狗的眼睛，就 classify 出他是狗的話，那 SAT 會在步驟二把 狗狗的眼睛的 feature 從圖片中扣掉。這樣 model 就必須學到狗的其他特徵，才可以 classify 出來。
• Cosine annealing scheduler
  因為模型應該會收斂，所以我們要用越來越小的 learning rate 才好。會比原本的 schedule 一段時間就降 learning rate 來的好(藍色虛線)。
  

BoS for detector

• Mish activation
• SPP-block
• SAM-block
  對區域做 attention，會生成 HxWx1 的 attention ，哪些區域重要就會被加權起來。
  
• PAN path-aggregation block
• DIOU-NMS
  是在做 objection detection 時，會 propose 出許多同義的 bounding box。NMS 作法就是有 overlap 到的就 deduplicated。
  
  當然有可能會錯刪(比如說 confidence 不高且靠得很近)，所以 DIOU-NMS 就是再加上距離的 criteria
  

---

tags: 課程共筆