YOLOv4: 객체 탐지의 최적 속도와 정확성

CNN(합성곱 신경망) 정확성을 향상시킨다고 알려진 수많은 특성이 있습니다. 이러한 특성을 대규모 데이터셋에서 조합하여 실제 테스트하고, 그 결과에 대한 이론적 정당성을 확보해야 합니다. 일부 특성은 특정 모델이나 특정 문제에만 적용되거나 소규모 데이터셋에만 적용됩니다. 반면에 배치 정규화(batch normalization)와 잔차 연결(residual connections)과 같은 일부 특성은 대부분의 모델, 작업 및 데이터셋에 적용될 수 있습니다. 우리는 그러한 보편적인 특성이 가중치 잔차 연결(Weighted-Residual-Connections, WRC), 교차 단계 부분 연결(Cross-Stage-Partial-connections, CSP), 교차 미니 배치 정규화(Cross mini-Batch Normalization, CmBN), 자기 적대 훈련(Self-adversarial-training, SAT), 미쉬 활성화(Mish-activation)를 포함한다고 가정합니다. 우리는 WRC, CSP, CmBN, SAT, 미쉬 활성화, 모자이크 데이터 증대(Mosaic data augmentation), CmBN, 드랍블록 정규화(DropBlock regularization), CIoU 손실을 포함한 새로운 특성을 사용하고, 그 중 일부를 조합하여 최첨단 결과를 달성합니다: MS COCO 데이터셋에서 약 65 FPS의 실시간 속도로 43.5% AP(65.7% AP50)를 기록했습니다. 소스 코드는 https://github.com/AlexeyAB/darknet 에 있습니다.