YOLO，是一种one-hot的目标检测技术。由Joseph Redmon和Ali Farhadi在2016年引入，目前已经存在4个版本了。YOLOv4使用了两个bags的优化函数：在训练期间使用的“Bag of Freebies（BoF）”和在推理期间使用的“Bag of Special（BoS）”。

        Bag of Special包含了用于YOLOv4架构的主干和检测器的低计算成本模块。

【目标检测】YOLOv4中的Mish激活函数

 

 

 

        Mish激活函数是光滑的非单调激活函数，被定义为：

begin{align}
f(x)=xcdot tanh(zeta (x))
end{align}

其中， $ zeta (x)=ln(1+e^{x}) $ ，是一个softmax激活函数和。

【目标检测】YOLOv4中的Mish激活函数

        这与另一个被称为Swish函数的激活函数类似，定义为：

begin{align}
f(x)=xcdot sigmoid(x)
end{align}

【目标检测】YOLOv4中的Mish激活函数

        在YOLOv4中使用Mish函数的原因是它的低成本和它的平滑、非单调、上无界、有下界等特点，与其它常用函数如ReLU、Swish相比，提高了它的性能。

Mish的性能如下：

  1. 无上界，有下界：无上界是任何激活函数都需要的特性，因为它避免了导致训练速度急剧下降的梯度饱和。因此，加快训练过程。无下界属性属性有助于实现强正则化效果（适当的拟合模型）。（Mish的这个性质类似于ReLU和Swish的性质，其范围是 $ [approx 0.31,infty ) $ ）。
  2. 非单调函数：这种性质有助于保持小的负值，从而稳定网络梯度流。大多数常用的激活函数，如ReLU，Leaky ReLU，由于其差分为0，不能保持负值，因此大多数神经元没有得到更新。
  3. 无穷连续性和光滑性：Mish是光滑函数，具有较好的泛化能力和结果的有效优化能力，可以提高结果的质量。
  4. 计算量较大，但是效果好：与ReLU相比，它的计算量比较大，但在深度神经网络中显示了比ReLU更好的结果。
  5. 自门控：此属性受到Swish函数的启发，其中标量输入被共给gate。它优于像ReLU这样的点式激活函数，后者只接受单个标量输入，而不需要更改网络参数。