CSPDarkNet53学习

CSP结构

Applying CSPNet to ResNe(X)t

原文如此介绍：设计出Partial transition layers的目的是最大化梯度联合的差异。其使用梯度流截断的手段避免不同的层学习到重复的梯度信息。得出的结论是，如果能够有效的减少重复的梯度学习，那么网络的学习能力能够大大提升.

Applying CSPNet to DenseNet

DarkNet53介绍

由上我们可以对比ResNet50得出其使用了kernel_size=3，stride=1的卷积代替了kernel_size=7，stride=1的卷积，减少了计算量。使用了kernel_size=3,stride=1的卷积代替了maxpool，因此作者认为Max-Pooling降采样会使得输出变得“高频高幅”，因此在后面会导致网格效应。此外DarkNet含有5个Residual相比于Resnet的4个stage,其中Residual Block中分支路使用的为kernel_size=1,kernel_size=3,stride=1的Conv，注意此处并没有进行降采样，而是在concat操作后stride=2的卷积进行下采样。

CSPDarknet53架构

采用博主@Bubbliiiing的YOLOV4实现讲解

import torch
import torch.nn.functional as F
import