YOLOv4：目标检测的最优速度与精度
计算机视觉与模式识别
2020-04-24 v1 图像与视频处理
摘要
有大量被认为能提高卷积神经网络（CNN）精度的特征。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论论证。某些特征仅适用于特定模型和特定问题，或仅适用于小规模数据集；而某些特征，如批归一化和残差连接，适用于绝大多数模型、任务和数据集。我们假设此类通用特征包括加权残差连接、跨阶段部分连接、跨小批量归一化、自对抗训练和Mish激活函数。我们使用了新特征：WRC、CSP、CmBN、SAT、Mish激活、Mosaic数据增强、CmBN、DropBlock正则化和CIoU损失，并将其中部分组合以实现最先进的结果：在Tesla V100上以约65 FPS的实时速度，MS COCO数据集上达到43.5% AP（65.7% AP50）。源代码位于 https://github.com/AlexeyAB/darknet
引用
@article{arxiv.2004.10934,
title = {YOLOv4: Optimal Speed and Accuracy of Object Detection},
author = {Alexey Bochkovskiy and Chien-Yao Wang and Hong-Yuan Mark Liao},
journal= {arXiv preprint arXiv:2004.10934},
year = {2020}
}