文章介绍了YOLOV4在数据增强方面的策略，如四张照片拼接、Mosaic数据增强和自我对抗训练，以及在网络结构上的创新，包括CSPNet、CBAM模块和PAN。此外，还提到了使用的Mish激活函数，这些改进旨在提升模型的性能和加速训练过程。
数据层面上的数据增强
四张照片拼接成一张进行训练
相当于增大了batch-size，更适合于单GPU。
Mosaic data augmentation 马赛克数据增强
self-adversarial training(SAT) 自我对抗训练
DropBlock
Label Smoothing
损失函数
由IOU改进到CIOU
网络结构
CSPNet（Cross Stage Partial Network）
CSPNet就是图（b），其作用就是加速网络，并且精度会上升一点点。
CBAM（Convolutional Block Attention Module） 注意力机制
V4中用的是SAM，也就是空间的注意力机制。
YOLOV4用的是上图的（b），直接对原特征进行卷积，算出特征权重，再与原特征相乘，完成空间注意力机制。
PAN（Path Aggregation NetWork）
Mish激活函数
整体网络架构
1075
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
