YOLO-V4理解

参考：https://www.flyai.com/article/778
https://blog.csdn.net/justsolow/article/details/106401065
创新点：
（1）输入端：Mosaic数据集，cmBN，SAT自对抗训练。
（2）BackBone：CSPDarknet 53，Mish激活函数，Dropblock。
（3）Neck：SPP，FPN+PAN结构。
（4）Prediction：GIou Loss，DIou Loss。

1.OD相关结构

Object Detection = Backbone + Neck + Head

1.1.Input

算法的输入，包括整个图像，一个batch，或者是image pyramid

1.2.Backbone

可以理解为是提取图像特征的部分，由于图像中的浅层特征（low-level）是比较类似的，例如提取边缘，颜色，纹理这些。因此这部分可以很好的借鉴一些设计好并且已经训练好的网络，例如（VGG16,19，ResNet-50, ResNeXt-101, Darknet53）, 同时还有一些轻量级的backbone（MobilenetV1,2,3 ShuffleNet1,2）。

1.3.Neck

特征增强模块，前面的backbone已经提取到了一些相关的浅层特征，由这部分对backbone提取到的浅层特征（low-level feature）进行加工，增强，从而使得模型学到的特征是我想要的特征。这部分典型的有（SPP，ASPP in deeplabV3+，RFB，SAM），还有一些（FPN, PAN, NAS-FPN, BiFPN, ASFF, SFAM）。

1.4.Head

检测头。这部分就到了算