【YOLOv4】

这篇论文的trick是真多，消融实验做的很详细

另外如何优化网络结构做到单卡训练也是比较重要的

1、Introduction：

作者自认为的贡献：

1. 设计了一个高效的模型，可以在单1080TI上训练，万千屌丝的救星。
2. 验证和对比了各种各样trick在目标检测任务上的有效性。
3. 修改了SOTA检测模型，减小了对资源的占用，可以使用单卡训练。

先看效果

2、Related work
2.1目标检测模型

介绍了1阶段2阶段，有无anchor的各种方案，把检测模型分成以下4个部分，没啥新意，跟mmdetection中的分法类似。

2.2 bag of feebies

这部分就是介绍那些通过变换训练策略提升模型能力的方法了，简称tricks，没啥干货，倒是方便了别人写论文找资料。。。

2.3 bag of specials

这部分介绍为了提升模型性能增加的一些结构，比如BiFPN, ASFF,GIoU等，作用同上。

3、Methodology

3.1 Selection of architecture

• 网络输入的图片尺寸尽量大，有利于小目标的检测
• 更多的层数，保证感受野足够大
• 更多的参数量

balabala说了一堆，最终选择了 CSPDarknet53 + SSP + PANET + YOLOV3 HEAD的结构

3.2 Selection of BoF and BoS

作者从以下几个方向入手，选BoF和BoS

• Activations: Relu, leaky-Relu等等
• Bounding box regression loss: MSE, IOU, GIoU等
• Data augmentation: CutOut, MixUp, CutMix
• Regularization method: DropOut, DropPath
• Normalization: BN, SyncBN
• Skip-connections: 残差网络，WRC, CSP等等

3.3 Additionnal improvements

• 新的数据增强方法，Mosaic 和 Self-Adversarial Training(SAT)
• 优化超参
• 优化模型用到的一些结果，使其更加高效，以便单卡训练

这里先重点说下如何优化模型的：

首先是单卡训练batch size不可能太大，作者提出提出CmBN，是CBN的变种，CBN是Cross-Iteration BN, CmBN是Cross-minibatch BN，统计只在一个Batch之间。

 另外两个小小的优化，一般般吧，一般来说单卡训练问题主要在batch size太小上，batch size小于16效果会差不少。

4.实验

直接看消融实验的结果吧，可以直观看到不同trick对于模型的影响

1、对于分类网络的影响，主干网络分别为CSPResNeXt-50和CSPDarknet-53

2、BoF和BoS对检测网络影响的消融实验

 3、另外两个消融实验（自己看吧）

结论：当然是一个又快又准的检测器了。