Mosaic

YOLOv4中提出的Mosaic数据增强是参考2019年底提出的CutMix数据增强的方式，但CutMix只使用了两张图片进行拼接，而Mosaic则采用了4张图片，随机缩放、随机裁剪、随机排布的方式进行拼接。一张图相当于4张图，可以减少训练所需的batch size。

CmBN

在梯度累积时，模型不同batch的参数梯度会累积在一起一次性反向传播更新参数，但BN的统计量却是在每个batch迭代更新的，这使得反向传播时会产生偏差。CmBN(Cross mini-Batch Normalization)则是在梯度累积的同时保证BN的统计量只累积更新，在反向传播的同时更新统计量。

SAT

SAT(Self Adversarial Training)即自对抗训练，文中没有详细说明，可以参考论文Adversarial Examples for Semantic Segmentation and Object Detection。

第一阶段，将权重设置为固定，图片设置为可导，对目标检测正确的区域采用反向label（即错误的label），计算Loss并进行反向传播，对图片产生扰动，叠加到图片上实现攻击。此时图片肉眼看上去变化不大，但对于神经网络来说，图片已经更接近于反向label。在第二阶段就是正常训练，把被攻击了的图片输入网络进行训练。作者将其归纳为一种数据增强操作。