1、Data Augmentation:
数据增强操作可以看做是一种正则化方法，防止过拟合。
v4数据增强 创新使用了图像遮挡–Random Erase随机删除一个矩形区域通过均值填充。
Cutout随机删除一个矩形区域通过0填充。
Mixup两张图像每个位置像素按照一定比例进行叠加，label根据像素叠加比例进行分配。
cutmix随机删除一个矩形区域，并通过另一张图像同一位置像素值填充，label根据像素所占比例分配。
Mosaic 使用四张训练图像按一定比例组合成一张图像，使模型学会在更小的范围内识别对象。能有效解决模型训练中小目标的检测问题。
label smoothing 因为训练时标签可能存在错误，不过分相信标签，正则化方法。v5没使用。
2、自适应锚定框(Auto Learning Bounding Box Anchors)
对于COCO数据集，v5在配置文件中预设了640x640的锚框尺寸，对于自己的数据集，我们放大到了3000的size，并且数据集中目标对象 海星的大小和COCO数据集的不同因此要重新学习锚框尺寸。使用autoanchor.py。v5自带了autoanchor 会判断当前anchor契合度，如果低于0.98就会重新聚类，但是感觉不是很好用。明明并没有特别匹配，但还是符合了，我就在用不同数据集的时候重新autoanchor，让它重新进行聚类得到新的框。v4没有这个。
3.Backbone-跨阶段局部网络(CSP)
v5和v4均使用CSPDarknet作为Backbone，其解决了其他大型Backbone中网络优化的梯度信息重复问题。将梯度的变化从头到尾地集成到特征图中，因此减少了模型参数量和FLOPS数值，既保证了推理速度和准确率也减少了模型尺寸。
基于Densnet思想，复制基础层的特征映射图，通过dense block 发送副本到下一个阶段，从而将基础层的特征映射图分离出来，总金额样可以有效缓解梯度消失(通过非常深的网络很难去反推丢失信号)，支持特征传播，鼓励网络重用特征，从而减少网络参数量。
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
