學習 | 1101676

卷積神經網路(Convolutional Neural Network, CNN)是一種監督式的多層神經網路，於1989年由美國科學家 LeCun所提出，當時在應用上面也只有辨識手寫字體而已，但這卻是所有文獻中第一個提出這個名詞的科學家。

影像分類(Image Classification)

影像分類是一種透過神經網路對輸入的圖片進行分類的任務。架構總共分為三個部分，分別是卷積層(Convolution layer)、池化層(Pooling layer) 以及全連接層(Fully Connected layer)。

卷積層(Convolution layer):

卷積層的任務是在於對輸入的數據進行線性運算，藉由過濾器提取特徵，產生特徵圖(Feature Maps)。簡單來說，就是將圖片進行特徵擷取，並將這些特徵進行分類。

池化層(Pooling layer):

池化層(Pooling layer)的目的是為了對特徵圖(Feature maps)進行降維，這是為了保留影像重要的特徵，以提高模型對泛化的能力。

全連接層(Fully Connected layer):

全連接層的目的就是將池化層(Pooling layer)所給的特徵映射到標記空間裡面。簡單來說就是分類(Classification)的意思，就是將我們提取後的特徵進行分類。

以數字判斷舉例，CNN將輸入的圖像在卷積層中使用過濾器進行處理，並且產生特徵圖，並且交由池化層去降維，留下影像的重要特徵後給全連接層。全連接層集合這些來自於池化層篩選好的圖片，並且將這些圖片進行投票表決，通過投票表決，擁有最高票數的選項就會成為這個圖片的類別。

YOLOv4的主要架構如下圖所示，分Input、Backbone、Neck與 Prediction 這四個區域，以下分別針對這四個區域做說明:

YOLOv4 架構圖

輸入端(Input):

YOLOv4在 Input 端使用了資料擴充的方式，是透過將隨機的四張圖片做裁切、縮放、排列然後貼在一起，這樣的目的是為了豐富資料集，並且提升對小物件的偵測精準率。

骨幹(Backbone):

Backbone的主要功能是通過分割梯度流，使梯度組合更為多元，同時也降低運算量與降低記憶體的佔用。

頸(Neck):

Neck的部分主要是為了融合不同尺度的特徵圖信息。可以使最後一層連接所有的特徵圖，其主要目的是在於提升模型的辨識效率。

頭部(Prediction):

Prediction又稱為 Head，其作用是預測對象的類別，通常被當作檢測器使用。