1樓：
我感覺有個規律：簡單直觀的網路泛化能力更強。因為簡單的網路人工雕作痕跡更少，同時結構簡潔，能避免過擬合。
相反，結構複雜和trick過多的網路有過擬合某個特定的資料集的嫌疑（我到現在都懷疑EfficientNet是不是過擬合了ImageNet，那超引數都是些啥啊......）。
具體到yolo，沒什麼花哨的。基本上就是卷積一路到底。唯一的限制就是對Bounding Box的中心做了先驗假設。
類似的例子還有ResNet。這麼多年過去了，花裡胡哨的各種backbone不知道出了多少了。有很多遷移到別的任務或者特定資料上就效果拉胯。
而年邁的ResNet甚至更老的VGG16卻總是那麼的穩。不得不感慨你大爺永遠是你大爺。
2樓：吳建明wujianming
v4目的是針對生產系統和平行計算進行網路加速，從而提高檢測演算法的實時性，作者針對GPU和VPU設計了兩種不同策略：
對於GPU採用小數量的卷積groups（1-8），比如CSPResNeXt50和CSPDarknet5；
對於VPU使用grouped convolution，即分組卷積
設計了一種功能強大且高效的目標檢測器，使得每個人都能用1080Ti或者2080Ti訓練出快速準確的目標檢測模型；
在訓練期間驗證了Bag-of-Freebies and Bag-of-Specials兩種方法目標檢測的影響；修改了先進的演算法，使得它們更高效且更加適用於單個GPU的計算，包括CBN，PAN 和SAM 等。
引入新的資料增強方法：Mosaic, and Self-Adversarial Training (SAT)通過genetic algorithms遺傳演算法選擇最優的超引數修改現存的演算法使得v4更加有效，比如modified SAM, modified PAN
啟用函式：ReLU, leaky-ReLU, parametric-ReLU,ReLU6, SELU, Swish, or MishBounding Box回歸損失：MSE, IoU, GIoU,CIoU, DIoU資料增強：
CutOut, MixUp, CutMix正則化方法：DropOut, DropPath,Spatial DropOut, or DropBlock歸一化方法：Batch Normalization (BN) ,Cross-GPU Batch Normalization (CGBN or SyncBN), Filter Response Normalization (FRN) , or Cross-Iteration Batch Normalization (CBN)跳躍連線：
Residual connections, Weighted residual connections, Multi-input weighted residual connections, or Cross stage partial connections (CSP)
3樓：aluea
Yolo：深層中，分類和位置回歸存在資訊交換。
R-CNN：深層中，兩者不存在資訊交換。
故而，Yolo的解空間比R-CNN大。
然而目標檢測也就只能相互捲捲了，路走錯了，或者說走完了。
4樓：ShermW
yolo泛化能力強是必然的吧。因為他直接輸出box座標而不是用roi。這在統計學上叫做去掉了feature map的先驗，但同時也讓訓練的難度加大並且對資料集敏感更容易overfit
為什麼你心理承受能力強？
燁凌笙 心理承受能力強弱，在一定程度上來說，是兩個原因造成的。有的人，是先天就承受能力強的。有的人，是後天培養的。心理承受能力分為多種，比如說，心理承受能力差的人聽別人幾句話就能崩潰，但是有的人就不是。心理素質強的人，就算別人拿槍指著他，他也不會害怕。 知非 自問自答，乙個睡不著的晚上，忽然就想起了...
為什麼CTL比NK殺傷能力強很多？
西安格物醫療 一 NK細胞殺傷機制 活化的NK細胞可釋放TNF 和TNF LT TNF通過 改變靶細胞溶酶體的穩定性,導致多種水解酶外漏 影響細胞膜磷脂代謝 改變靶細胞糖代謝使組織中pH降低 以及活化靶細胞核酸內切酶,降解基因組DNA從而引起程式性細胞死亡等機理殺傷靶細胞.TNF引起細胞死亡過程要明...
詹姆斯的帶隊能力強嗎？
楠木英語 18 19賽季老詹有兩個場均18 隊友，參加55場常規賽贏了28場，勝率遠不如西部第八快船。西部除了勇士也沒什麼強隊了，這帶隊能力有點說不過去。 懶吖吖 要說詹姆斯的帶隊能力，我認為是歷史獨一檔的當下聯盟，任何一支球隊擁有詹姆斯，都能迅速成為總冠軍的有力爭奪者有不少人會說詹姆斯廢隊友，比如...