YOLO-V4 论文学习+唐宇迪博士课程学习笔记

论文主要贡献：
1.利用单GPU即可训练一个目标检测器.
2.验证了Bag-of-Freebies 和 Bag-of-Specials方法在训练目标检测器当中的作用。
3.对包括CBN、PAN、SAM在内的现有方法进行了改进。

数据增强:
1.Mosaic数据增强
参考CutMix将四张图像（每张各自进行数据增强）拼接成一张进行训练：

2.SAT数据增强（Self-adversarial-training自对抗训练）

损失函数：
1.IOU Loss：实际和预测框无相交即IOU=0时无法进行梯度计算，且相同的IOU对应多种框的相对位置，无法反应实际情况。
2.GIOU：引入了最小封闭形状C可以把A和B包括在内，优点在于在A框B框不重叠的情况下可以使得预测框向真实框逼近，缺点不足在于A和B重叠情况下GIOU又无法评价好坏了。

3.DIOU：式中分式分子为预测框与真实框的中心点欧式距离，式中分母为可以覆盖A和B两框的最小BOX对角线长度。优点在于直接利用距离计算，速度更快解决了GIOU的问题。

4.YOLO V4选用CIOU作为损失函数：损失函数必须考虑重叠面积、中心点距离与长宽比，用v代表长宽比用α代表权重参数。

SAM空间注意力机制：

在原始SAM基础上，把经过池化再卷积的过程改为一次卷积。

PAN:

原有特征融合都是加法操作，现在改为拼接操作，虽然特征更多但可以提升精度。

Mish激活函数：
相比Relu激活函数，计算量增加，效果提升一点

公式：

整体网络架构：