【深度学习】YOLOv4: Optimal Speed and Accuracy of Object Detection 目标检测

YOLOv4论文：https://arxiv.org/pdf/2004.10934.pdf

yolov4 技术

（1）Weighted-Residual-Connections (WRC)
https://arxiv.org/pdf/1605.08831.pdf

（2）Cross-Stage-Partial-connections (CSP) backbone
https://blog.csdn.net/x1131230123/article/details/123735975

（3）Cross mini-Batch Normalization (CmBN)：
https://arxiv.org/pdf/2002.05712.pdf
BN：对当前mini-batch进行归一化
CBN: 对当前以及当前往前数3个mini-batch的结果进行归一化
CmBN: CmBN 在整个批次中使用Cross min-batch Normalization 收集统计数据，而非在单独的mini-batch中收集统计数据。

（4） Self-adversarial-training (SAT)
https://arxiv.org/pdf/1707.02439.pdf

（5）Mish-activation
https://arxiv.org/pdf/1908.08681.pdf
参考https://github.com/digantamisra98/Mish

（6）Mosaic data augmentation

（7）DropBlock regularization 在CNN特征图dropout
https://arxiv.org/abs/1810.12890

（8）CIoU loss
https://blog.csdn.net/x1131230123/article/details/123751062

（9）PANnet neck
https://blog.csdn.net/x1131230123/article/details/123882314

（10）SPPnet neck
https://arxiv.org/pdf/1406.4729.pdf

yolov5 损失函数