《YOLOV4&5原理与源代码解析之五：SPP CSP》

        前面咱们都在讨论数据如何增强，这一开始讨论YOLOV4中网络结构的创新之处。YOLOV4将一些主流优秀的框架拿过来用，提升了效果，会有更多的性能开销，但同时作者又将其进行了简化，是的最终V4速度和mAP达到一个平衡的效果(个人觉得还是V5香，反正原理差不多)。

一、SPP 

　　SPP能够增大感受野，使得算法适应不分辨率图像（也就是大目标、小目标）；参考YOLOV3（V3中是：动态改变特征图大小，使得模型适应不同分辨率图像，兼顾大、小目标）其实，输入一个特征图，经过如下图Mutil-Scale MaxPooling的时候，能够将特征图size调整到一致，后续方便堆叠在一起。

放一张高清图：

 　　概括下SPPNet(Sptial Pyramid Pooling 网络，空间金字塔池化)：如上图，不管featureMap分辨率大小(输出都同一个维度)，直接分三组，分为：4×4、2×2、1×1的块，然后执行MaxPooling，得到维度为16*256、4*256、1*256的特征图，如上图进行concat。

　　补充：

SPP模块首要作用是用来解决输入图像尺寸不统一的问题。大部分目标检测网络中，一般都会在最后使用全连接层作为输出层，这要求输入图像的尺寸固定。而目前的图像预处理操作中，resize，crop等都会造成一定程度的图像失真，因此影响了最终的精度。SPP模块，使用固定分块的池化操作，可以对不同尺寸的输入实现相同大小的输出，因此能够避免这一问题。此外，SPP中不同大小特征的融合，有利于待检测图像中目标大小差异较大的情况，尤其是对于yolov3一般针对的复杂多目标图像。

作者：星月野
链接：https://www.zhihu.com/question/356414733/answer/900797797
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

另外参考我的博客：https://www.cnblogs.com/winslam/p/15720125.html

二、CSP

       接下来的CSP模块是YOLOV4中最为核心的模块。官方YOLOV4也叫做 CSP-DarkNet。如下图，左边是ResNet，CSP不仅能够和残差网络组合，用在其他网络也是可以的。CSP的一个优势为：如下图b，将特征特分为两个部分，只有其中一个部分进行常规处理，最后将两部分合并在一起，计算量减少一半；如图b的模块在整个网络中被多次使用。论文中表述：这种做法使得速度极大提升，精度不降反而略微提升！

CSPNet：和残差连接、dropout一样，都可降低计算代价，简化网络，有效避免过拟合，同时提高mAP。

 reference：

CSPNet：https://zhuanlan.zhihu.com/p/161188971