贡献：

1.有效且强大的模型，常规GPU（1080ti or 2080ti）可得到实时、高质量的检测结果。

2.在训练中，验证 Bag-of-Freebies 和 Bag-of-Specials 方法

3.提出了两种数据增强手段，马赛克和自对抗训练（SAT）

4.修改了最先进的方法，更有效且适合单GPU训练。

views：

1.简单说就是一个拼接怪，把大家提出的模块和提高检测的手段用到了一起，进行了丰富的实验

2.值得一提的是对整个目标检测常用的手段和发展进行了总结，本文的亮点恰恰是在Related Work，而Method只提了下采用什么模块。

ideas：

可以在后续的检测算法用采用其中的一部分功能。

摘要：一些通用功能可以提高网络的性能的，认为包括：Weighted-Residual-connection(WRC) 加权残差连接、Cross-Stage-Partial-connections (CSP) 跨阶段部分连接, Cross mini-Batch Normalization (CmBN) 跨小批量标准化, Self-adversarial-training (SAT) 自对抗训练  and  Mish-activation Mish激活。我们使用以上新功能和 Mosaic data augmentation 马赛克数据增强、DropBlock 正则化 、CIOU Loss 来实现最新结果。

1.Introduction

      指出目标检测算法应有较好的实时性，并且可以在单个常规GPU上进行训练和推理。

      目的是设计快速的生成系统和优化并行计算。常规GPU可得到实时、高质量的检测结果。

2.Related Work（本文亮点）

2.1 Object detection models

      现代检测器通常包括两部分，一个是在ImageNet上预训练的 backbone，另一个是用来预测对象类别和边界框的 head 。还有一些在backbone和head之间插入的层，称为neck。

2.2 Bag of freebies

通常检测算法是线下训练，针对训练采用的技巧和策略，在推理是无代价，称为“免费赠品”。主要包括：数据增强，处理语义分布不平衡、边界框回归。

2.3 Bag of specials

一些插入的模型或post-processing，称为“特价品”，可以花费少量代价提高网络的性能。

3.Method

介绍了yolov4采用了上面的哪些结构，提出了创新的马赛克增强和自对抗训练，篇幅一页的样子。

4.conclusion

SOTA性能，验证了许多tricks，可为后续工作作为参考。