A New Backbone that can Enhance Learning Capability of CNN
通过重新设计架构，缓解网络需要大量推理计算的问题（归咎于网络优化中的重复梯度信息）
通过设计CSPNet能够在减少计算量的同时实现更为丰富的梯度组合。
提出CSPNet主要为了处理以下问题：
1.加强CNN的学习能力
2.消除瓶颈过高的计算瓶颈
3.降低内存成本
通过设计CSPNet能够在减少计算量的同时实现更为丰富的梯度组合。通过将底层的特征映射划分为两部分，然后通过crossstage hierarchy进行特征融合。
无论是残差网络还是密集网络，跳连会导致将梯度传递到前向的层，进而导致重复学习冗余信息
传统的卷积神经网络可以被描述为：
ResNet和DenseNet分别可以被描述为：
图中的Transition Layer代表过渡层，主要包含瓶颈层（1x1卷积）和池化层（可选）
目标检测检测头：
1.二级检测头优于一级检测头，提出了EFM
2.聚合特征金字塔
3.平衡计算消耗，结合Maxout操作
将CSP应用到ResNet 、ResNext和DenseNet上后，计算量可以从10%减少到20%，而且在准确率方面还优于上述网络。
第一次见DenseNet的时候就有一种特征过分重用的感觉，记得在GhostNet里面有张图说是可视化每个通道上的feature，结果发现很多的特征图都是十分相似的。如果像DenseNet那样全部cat过去就会有很多的冗余信息。CSPNet就是通过设计模块，将输入的信息分为两部分，(以改进的DenseNet为例)通过对Dense支路进行先transition后concatenate,阻断一部分梯度信息。CSP不仅吸纳了DenseNet特征重用的优点，同时也没有对重复的梯度信息进行利用。