YOLOv4结构以及用到的tricks与创新总结 _特征

结构以及用到的与创新总结
本文参考了几位大佬的文章，然后作了下总结。（文中用到的图大部分来源于他们的文章，还有各算法对应的论文）文末参考链接附有这几位大佬的博客地址。
这里顺便附上我在B站录的一个视频链接(结合了库可视化了的结构讲解)：
结构快速讲解(包会，不会我也没法哈哈)
可在看完这篇博客后看，看完后的结构你就掌握了。
先放上和的结构图，好有个大致的思路：
:
:
图中的说明：
1. ：张量拼接，会扩充两个张量的维度，例如和两个张量拼接，结果是。和cfg文件中的route功能一样。
2. add：张量相加，张量直接相加，不会扩充维度，例如和相加，结果还是。add和cfg文件中的功能一样。
讲之前先来简单说下: 改进之处:
1. 多尺度预测：引入FPN，结合了3个尺度进行特征融合。
2. 更好的基础分类网络-53，类似引入了残差结构。
3. 层被替换成一个1x1的卷积层+激活函数的结构。
分类损失采用 cross- loss（二分类交叉损失熵）
4. Tiny-主要区别就是：只结合2个尺度进行特征融合。
改进之处:
的特点是集大成者，用到了相当多的。
文章将目前主流的目标检测器框架进行拆分：input、、neck 和 head.
总结一下框架：
：
Neck：SPP，FPN+PAN
Head：
=+ SPP + (FPN+PAN) +
本文主要从以上4个部分对的创新之处进行讲解，让大家一目了然。
（各部分有超链接直接点击即可跳到文中相应位置）
输入端：这里指的创新主要是训练时对输入端的改进，主要包括数据增强、cmBN、SAT自对抗训练主干网络：将各种新的方式结合起来，包括：、Mish激活函数、：目标检测网络在和最后的输出层之间往往会插入一些层，比如中的SPP模块、FPN+PAN结构预测端：输出层的锚框机制和相同，主要改进的是训练时的损失函数，以及预测框筛选的nms变为数据增强（输入端部分）：
中使用的是参考2019年底提出的数据增强的方式，但只使用了两张图片进行拼接，而数据增强则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接。
使用原因：
在平时项目训练时，小目标的AP一般比中目标和大目标低很多。而Coco数据集中也包含大量的小目标，但比较麻烦的是小目标的分布并不均匀。所以为了平衡小、中、大目标的占比数量。
优点：
1.扩充了数据集：随机使用4张图片随机拼接，且通过随机缩放可以获得很多小目标，让网络的鲁棒性更好。
2.减少GPU：因为使用增强进行训练时，4张图片被整合成一张图片，这样一来可以使mini-batch大小并不用很大，这样一个GPU就能达到比较好的效果。
CmBN交叉小批量标准化（输入端部分）：
上图为BN的处理过程，BN是对当前mini-batch进行归一化。
CBN则是对当前及其前3个batch的结果进行归一化。且利用了泰勒多项式对前3次统计数据进行了补偿（因为每个batch都更新了一次参数，所以这4个batch的使用的是不同网络参数，所以这里才做补偿）。
CmBN是CBN的改进，其区别在于其区别在于权重更新时间点不同。CBN是针对batch来说的，因为同一个batch内权重参数一样，因此计算不需要进行补偿。而CmBN是针对mini-batch来说的，其仅仅收集单个batch中的mini-batch之间的统计数据。（这里不太确定，应该是这样吧？）
SAT，Self--自对抗训练（输入端部分）：
自对抗训练（SAT）也是一种新的数据增强方法，它包括两步。
1.利用原始图像生成对抗样本。