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、4、1的特征图，如上图进行concat。
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