YOLOv4 tricks解读(一)数据增强篇
论文题目:YOLOv4: Optimal Speed and Accuracy of Object Detection
文献地址:https://arxiv.org/pdf/2004.10934.pdf
源码地址:https://github.com/AlexeyAB/darknet

2019年YOLOv3在各个领域都获得了广泛的应用,并获得了不错的效果。上个月YOLOv4的发布,必定会带来一波技术革新的浪潮。然而,YOLOv4实际上是一篇结合了大量前任的研究,通过适当的组合,并适当创新的高水平论文,实现速度和精度上的平衡与再创新高。
文献中作者将前人的工作主要归纳为Bag of freebies和Bag of specials。前者归纳的tricks是指只在训练阶段增加耗时,不影响推理(测试)过程中的时间消耗,称为"赠品";后者归纳的tricks是指会略微增加推理过程的时间消耗,但可以显著的提升模型的性能,称为"特价"。本系列按照paper中编排的顺序,对各种tricks进行庖丁解牛,重在扫盲一些思想。
本节主要针对Bag of freebies中谈到数据增强,分析其思想和核心细节。包含以下tricks:random erasing、 cutout、 hide-and-seek、grid mask、Adversarial Erasing、mixup、cutmix、mosaic、Stylized-ImageNet、label smooth和dropblock。
01 Random Erasing

论文名称:Random erasing data augmentation
文献地址:https://arxiv.org/pdf/1708.04896v2.pdf
源码地址:https://github.com/zhunzhong07/Random-Erasing
随机擦除数据增强技术是在训练中,随机擦除随机选择图像中的一个矩形区域,并用随机值擦除其像素。效果如下图所示,从随机擦除的效果图上可以看出,该数据增强方式的提出主要针对遮挡问题。通过随机擦除目标的特征模拟遮挡的效果,