目标检测：YOLOV4

CVPR2020年发表，并不是原来YOLO系列的作者

相对于YOLOV3有比较大的提升，但相对于YOLOV3-SPP提升比较少。

一、相对于YOLOV3的网络结构改进：

1、引入CSP结构：DARKNET53->CSPDARKNET53

作者认为CSP的作用：

1）增强CNN网络的学习能力；

2）移除计算的瓶颈；

3）降低内存开销。

CSP模块如下图：

2、引入SPP结构：解决多尺度问题，这个与YOLOV3-SPP的一样

3、引入PAN结构：

原始特征的PANET特征融合是element-wise相加，而YOLOV4这里是concat操作。

4、CSPDARKNET53的总体网络结构

一、相对于YOLOV3优化策略的改进：

1、消除GRID网格敏感程度：

当目标中心点恰好在GRID上时，σ(tx) 或σ(tx)为0或1，tx或ty要为±∞，这种极端的数值网络通常没法达到。作者的方法是乘上一个缩放因子，通常缩放因子取值2，如下图：

则此时偏移已经被扩到-0.5~1.5之间，如果要实现在0~1之间，tx和ty只要在下图的虚线之间即可达到。

2、Mosaic数据增强：同YOLOV3-SPP，多张图片拼接，送入网络训练的过程

3、正样本IOU阈值：

之前的YOLOV3正样本做法是：每个GT和所有的anchor template去比对。用GT和anchor template的左上角重合，然后去计算它的IOU。之后通过设置阈值比如IOU>0.3的，都置为正样本。图中只有第二个满足条件。接下来再将GT映射到GRID网格中（或着说预测特征层上），GT的中心点再哪个grid cell中，那么这个grid cell的anchor template 2就是正样本。如果GT与多个anchor template的IOU都大于阈值，那么在当前指定grid cell中对应的多个anchor template都视为正样本。这样会扩充样本的数量。实践发现，这样效果会好一些。

YOLOV4中，如下图中三个grid cell对应的AT2都视为正样本。因为有了消除GRID网格敏感程度操作，当前样本的中心点都在上方和左方grid cell的-0.5~1.5之间。这样能进一步增加正样本数量。

更多的五种情况：

4、anchor模板优化

针对512*512尺寸，重新优化了一下，是否有更好的不知。

5、采用CIOU

与YOLOV3-SPP中的相同。