解答：输入图片尺寸是固定的，比如说这里的 608 * 608，将它网格化，网格化就有三种情况：19 * 19，38 * 38，76 * 76，那么是不是 19 * 19 网格化后
的小方格的宽和高要比其他两种要大，这也就意味着它的感受视野是最大的，所以它就能检测出大对象，而其他两个的对应关系也是相同的道理。
yolov4 算法原理还是借用某位大神画的结构图，记不清名字了，是在抱歉。
乍一看，是不是跟 YOLOV3 长得很像，只不过比 YOLOV3 更复杂了一些，这里 YOLOV4 的作者将结构划分为以下四个部分：
Input，Backbone，Neck，Head，下面就来看看每个部分都做了哪些改进。
Input 改进点
采用 Mosaic 实现数据增强。
Mosaic 算法原理：在输入图片集中随机选取 4 张图片进行随机缩放，随机裁剪，随机扭曲，然后将他们拼接起来，
其目的就是丰富样本数据集。
Backbone 改进点
采用 CSPNet（Cross Stage Partial Network）网络结构，它其实是在残差网络的基础上发展起来的。
具体改进点：
> 用 Concat 代替 Add，提取更丰富的特征。
之前介绍过 Concat 操作后，特征图的尺寸不变，深度会增加，而 Add 操作后尺寸和深度都不改变，从这个意义上说，用 Concat 代替 Add，就能够提取更丰富的特征。
> 引入 transition layer （1 * 1conv + 2 * 2pooling），提取特征，降低计算量，提升速度。
为什么引入 1 * 1conv，能够降低计算量，提升速度 ？
解答：这里我举一个实例来说明，输入图片大小是 56 * 56 * 256，要求得到输出大小是 28 * 28 * 512，这里就有两种实现方式：
一次卷积方式，它的卷积核参数个数是 117 万；另一种是二次卷积方式，引入了 1 * 1 卷积，它的卷积核参数个数是 62 万，
相比于一次卷积方式，它的卷积核参数个数降低了一倍。
> 将 Base layer 分为两部分进行融合，提取更丰富的特征。
将 Base layer 一分为二，一部分通过类似残差网络得到的输出与另一部分进行 Concat 操作，将操作后的结果通过 Transition Layer。
Backbone 改进点
用 dropblock 取代 dropout
dropout 作用：防止过拟合，
dropout 缺点：每次训练时随机去掉的神经元可以通过相邻的神经元来预测，因为随着网络层数的增加，神经元之间的相关性是越来越强。
dropblock：每次训练时随机去掉一整片区域，这样就能组合更多不一样的网络，从而表现出更好的泛化作用。
Neck 改进点
FPN（Feature pyramid networks） + PANet（Path Aggregation Network）