bag of freebies:在训练阶段使用的trick，不影响测试效率
1.数据增强
pixel-wise：
1）photometric distortions：调节亮度，对比度，饱和度，色调，增加噪声等
2）geometric distortions：缩放，裁剪，翻转，旋转
模仿目标遮挡情况：
1）随机擦除【1】：给像素赋随机值或者[125.0, 122.0, 114.0](平均值即ImageNet mean pixel value)
2）cutout：随机将一个矩形区域内像素值设为0，与随机擦除类似
3）grid mask: 随机选择几个矩形区域，置0
4）在特征图中操作：DropOut , DropConnect
5）DropBlock：
Scheduled DropBlock： 作者发现在训练期间固定keep_prob，训练效果不好。线性减小keep_prob的值从1到目标值，结果更加鲁棒。
多图融合：
1）MixUp:用不同的权重将两张图片加权求和，需要根据比例调整标签（具体调整方法待查看）
2）CutMix: 裁剪图像的一个区域，覆盖到另一个图像上，同样需要调整标签（待查看）
3）GAN
2.数据集中语义分布不均衡（类别不平衡）：
1）hard-example mining：适用于two-stage方法，但是不适用于one-stage方法？
2）focal loss: 训练时自适应调整样本损失率，降低识别正确率高的样本损失的权重
3）label-smooth: 尤其在softmax激活后，可显著避免过拟合，避免网络过度自信
3.BoundingBox Regression
传统方式：均方误差拟合中心坐标+宽高或左上角坐标+右下角坐标，这类方法单独考虑各个参数，而不是完整的box
IOU loss=1-IOU：适应尺度变化（L1，L2损失会随着尺寸增加而增加）,缺陷：仅当有交集时才有作用
Generalized IOU loss: 在IOU的基础上，包含的形状和方向的损失。找到同时包围 预测Box和Groud trouth Box的最小包围矩形框，具体损失如下公式，C为最小包围矩形面积，即使没有交集，该损失也起作用，避免了没交集时IOU损失的梯度消失
Distance IOU loss: 考虑目标中心点的距离，b表示中心点，p()表示欧氏距离，c表示两个box最小包围矩形的对角线长度
Complete IOU loss: 同时考虑重叠区域，中心点距离，和长宽比。速度和准确性都较高，也可以作为NMS的评判标准
参数a可以使IOU在回归过程中具备更高的优先级， IOU越大v的权重越大，IOU越小，v的权重越小
在对v求梯度时，h,w是【0,1】的数，梯度的分母会很小，容易引起梯度爆炸，实际应用过程中，忽略分母部分
参考文献
【1】Zhun Zhong, Liang Zheng, Guoliang Kang, Shaozi Li,and Yi Yang. Random erasing data augmentation. arXiv preprint arXiv:1708.04896, 2017
【2】Pengguang Chen. GridMask data augmentation. arXiv
preprint arXiv:2001.04086, 2020
【3】Golnaz Ghiasi, Tsung-Yi Lin, and Quoc V Le. DropBlock:A regularization method for convolutional networks. In Advances
in Neural Information Processing Systems (NIPS),pages 10727–10737, 2018
【4】https://github.com/AlexeyAB/darknet.
