Yolov4 学习笔记
- 损失函数
- 之前损失函数存在的问题
- GIOU
- DIOU
- CIOU
- BOS
- SPP net
- CSP net
- SAM
- PAN层
- mish激活函数
损失函数
666666
之前损失函数存在的问题
之前公式为1-IOU
IOU = (交集面积) / (并集面积)
如果没有相交，分母为0，那么就无法计算
分母接近零：当预测框和真实框的重叠面积非常小，接近于零时，IOU的计算结果可能会非常大，这可能导致梯度下降的问题。在使用IOU作为损失函数进行梯度下降时，如果IOU计算结果非常大，梯度也会变得非常大，从而导致训练不稳定或无法收敛。
GIOU
给真实框和预测框加一个 最小的可以包围它俩的框，这样的话，如果真实框和预测框重叠越小，那么包住它俩的C就越大，以此来判断大小。
GIOU存在的问题：
- 两框重叠的时候，与IOU值相同
- 对于不同尺度的目标不敏感：GIoU在计算时考虑了预测框和真实框的边界框面积，这使得它对于不同尺度的目标不敏感。因此，当目标的尺度差异较大时，GIoU可能无法准确地衡量预测框和真实框之间的重叠程度。
- 对于长宽比差异较大的目标不敏感：GIoU在计算时考虑了预测框和真实框的长宽比，但它仍然对于长宽比差异较大的目标不敏感。这可能导致在评估长宽比差异较大的目标时，GIoU无法准确地反映预测框和真实框之间的匹配程度。
- 对于重叠部分较小的目标不敏感：虽然GIoU在计算时考虑了预测框和真实框的交集面积和并集面积，但它仍然对于重叠部分较小的目标不敏感。当目标的重叠部分非常小时，GIoU可能无法准确地衡量预测框和真实框之间的重叠程度。
- 计算复杂度较高：相比于传统的IOU，GIoU的计算复杂度较高，需要考虑更多的因素，包括边界框面积和长宽比。这可能导致在大规模目标检测任务中的计算开销增加。
DIOU
欧式距离计算公式
CIOU
BOS
SPP net
作用：增强感受野，最大池化
CSP net
SAM
- 特征深度的注意力机制，哪一层应该特征分配的比重大
- 平面的注意力机制
- v4引用的是SAM 计算空间位置的注意力机制，而不计算channel的注意力机制
PAN层
先从FPN说起
mish激活函数
