↑ 點擊藍字?關注極市平臺

作者丨ChaucerG

來源丨AI人工智能初學者

編輯丨極市平臺

極市導讀

YOLO V4 Tiny在2020.06.25的晚上就已正式發(fā)布，而YOLO V4 Tiny的改進版方法具有比YOLOv4-tiny和YOLOv3-tiny更快的目標檢測速度，并且其平均精度的平均值與YOLOv4-tiny幾乎相同。本文提出了一種基于YOLOv4-tiny的快速目標檢測方法YOLO-v4目標檢測、換臉、視頻上色全部實時手機端實現(xiàn)，美國東北大學等提出全自動實時移動端AI框架并詳細講解了改進版的特點以及實驗結果。>>加入極市CV技術交流群，走在計算機視覺的最前沿

此YOLO V4 Tiny改進在保證精度的同時幀率可以達到294FPS！具有比YOLOv4-tiny（270 FPS）和YOLOv3-tiny更快的目標檢測速度（277 FPS），并且其平均精度的平均值與YOLOv4-tiny幾乎相同；
作者單位：東北電力大學, 北華大學

1、方法簡介

為了提高目標檢測的實時性，本文提出了一種基于YOLOv4-tiny的快速目標檢測方法。它首先使用ResNet-D網(wǎng)絡中的兩個ResBlock-D模塊，而不是Yolov4-tiny中的兩個CSPBlock模塊，從而降低了計算復雜度。其次，設計了輔助殘差網(wǎng)絡塊，以提取更多的物體特征信息，以減少檢測誤差。

在輔助網(wǎng)絡的設計中，使用兩個連續(xù)的3x3卷積獲得5x5感受野以提取全局特征，并使用通道注意力和空間注意力來提取更有效的信息。

最后，它將輔助網(wǎng)絡和Backbone網(wǎng)絡合并，以構建改進的YOLOv4-tiny的整個網(wǎng)絡結構。實驗結果表明，該方法具有比YOLOv4-tiny和YOLOv3-tiny更快的目標檢測速度，并且其平均精度的平均值與YOLOv4-tiny幾乎相同。它更適合于實時目標檢測。

2、YOLO V4 Tiny概要

2.1、模型結構

Yolov4-tiny使用特征金字塔網(wǎng)絡提取不同尺度的特征圖，進而提高目標檢測速度，而不使用Yolov4方法中使用的空間金字塔池和路徑聚合網(wǎng)絡。同時，Yolov4-tiny使用和兩種不同比例尺的feature map來預測檢測結果。

2.2、損失函數(shù)

1、置信度損失函數(shù)

其中為第i個網(wǎng)格中第j個邊界框的置信分數(shù)。只是用來判別是否為目標的函數(shù)（0/1）。

2、分類損失函數(shù)

其中，和分別為對象在第i個網(wǎng)格的第j個邊界框中屬于c類的預測概率和真概率。

3、邊界框回歸損失函數(shù)

4、總損失函數(shù)

3、改進YOLO Tiny算法

文章作者為了進一步提升速度，使用ResBlock-D模塊代替了部分CSPBlock模塊，降低了計算的復雜度，同時設計了Auxiliary殘差模塊，以便提取更多的物體特征信息，以降低檢測的誤差；所提backbone網(wǎng)絡如下：

3.1、設計思路

FPS計算：

其中D為所有卷積層的和，為第個卷積層的輸出特征映射大小，為核大小的個數(shù)，和分別為輸入通道和輸出通道的個數(shù)。

這里假設輸入圖像的大小為，通道數(shù)為64。

CSPBlock的FLOPs為：

ResBlock-D的FLOPs為：

通過以上計算可以得到CSPBlock和ResBlock-D的計算復雜度比率約為10:1。這意味著ResBlock-D的計算復雜度遠小于CSPBlock。因此在設計模型的時候使用ResBlock-D代替了CSPBlock模塊：

3.2、Auxiliary Network Block

論文中提到雖然使用ResBlock-D模塊來代替CSPBlock模塊能夠一定層度上提高目標檢測的速度，但是它降低了目標檢測的準確性。因此為了保持精度和速度的平衡，作者設計了兩個相同的Residual Network blocks作為Auxiliary Network Block，并將其添加到ResBlock-D模塊中以提高精度。

這里Auxiliary Network Block利用兩個卷積網(wǎng)絡提取全局特征，同時使用通道注意力和空間注意力提取更有效的特征信息。采用級聯(lián)操作將第1個卷積網(wǎng)絡的輸出特征與空間注意力機制的輸出特征進行組合。組合后的特征作為Auxiliary Network Block的輸出特征。

最后，將最終的Auxiliary Network輸出特征與Backbone中Residual網(wǎng)絡的輸出特征相結合，作為下一個骨干網(wǎng)中Residual網(wǎng)絡的輸入特征。使改進后的骨干網(wǎng)能夠提取出檢測對象的全局和局部特征，進一步提高了檢測的準確性。

4、實驗結果

4.1、精度與速度

4.2、GPU占用率

4.3、實際檢測結果

參考

[1] Real-time object detection method based on improved YOLOv4-tiny

推薦閱讀

YOLO-v4目標檢測、換臉、視頻上色全部實時手機端實現(xiàn)，美國東北大學等提出全自動實時移動端AI框架
一文讀懂YOLO V5 與 YOLO V4
全面解析YOLO V4網(wǎng)絡結構

添加極市小助手微信（ID : cvmart2），備注：姓名-學校/公司-研究方向-城市（如：小極-北大-目標檢測-深圳），即可申請加入極市目標檢測/圖像分割/工業(yè)檢測/人臉/醫(yī)學影像/3D/SLAM/自動駕駛/超分辨率/姿態(tài)估計/ReID/GAN/圖像增強/OCR/視頻理解等技術交流群：每月大咖直播分享、真實項目需求對接、求職內推、算法競賽、干貨資訊匯總、與?10000+來自港科大、北大、清華、中科院、CMU、騰訊、百度等名校名企視覺開發(fā)者互動交流~

△長按添加極市小助手

△長按關注極市平臺，獲取最新CV干貨

覺得有用麻煩給個在看啦~??

YOLO V4 Tiny改進版來啦！速度294FPS精度不減YOLO V4 Tiny

1、方法簡介

2、YOLO V4 Tiny概要

2.1、模型結構

2.2、損失函數(shù)

3、改進YOLO Tiny算法

3.1、設計思路

3.2、Auxiliary Network Block

4、實驗結果

4.1、精度與速度

4.2、GPU占用率