yolov4

  V4贡献：

   亲民政策 ， 单GPU就能训练的非常好 ， 接下来很多小模块都是这个出发点

   两大核心方法 ，从数据层面和网络设计层面来进行改善

   消融实验 ， 感觉能做的都让他给做了 ，这工作量不轻

   全部实验都是单GPU完成 ，不用太担心设备了

 Bag of freebies(BOF)

只增加训练成本 ， 但是能显著提高精度 ， 并不影响推理速度

数据增强： 调整亮度、 对比度、 色调、 随机缩放、 剪切、 翻转、 旋转

   网络正则化的方法： Dropout、 Dropblock等

  数据增强

Random Erase： 用随机值或训练集的平均像素值替换图像的区域

   Hide and Seek： 根据概率设置随机隐藏一些补丁

 Self-adversarial-training(SAT)

   通过引入噪音点来增加游戏难度

   类别不平衡 ， 损失函数设计

 

  CIOU损失：损失函数必须考虑三个几何因素： 重叠面积 ， 中心点距离 ， 长宽比

DIOU-NMS：

   之前使用NMS来决定是否删除一个框 ， 现在改用DIOU-NMSM 不仅考虑了IoU的值,还考虑了两个Box中心点之间p

  PAN(Path Aggregation Network)

M 引入了自底向上的路径 ， 使得底层信息更容易传到顶部

并且还是一个捷径 ， 红色的没准走个100层(Resnet) ， 绿色的几层就到了

CSPNet（ Cross Stage Partial Network）

整体网络架构：