YoloV3 -网络结构 -特征融合 -预选框 -损失计算

已于 2024-01-20 17:11:45 修改
阅读量414 收藏 6
点赞数 11
分类专栏： Yolo 文章标签： YOLO 深度学习 神经网络
于 2023-12-11 16:13:42 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/BeTyh/article/details/134929776
版权

YoloV3：An Incremental Improvement

COCO AP
在这里插入图片描述

COCO mAP-50

在这里插入图片描述

网络结构 Darknet-53

使用更深，性能更好的Backbone：Darknet-53

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

Darknet相较于Resnet效果更好一些：使用卷积层代替最大池化层，效果更好；同时参数量更小一点；
在这里插入图片描述

convolutional不是简单的卷积，而是卷积+BN层+LeakyReLU层；

Residual残差结构；

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

anchor box

使用K-means聚类得到九类，分别对应三个尺寸，每个尺寸对应三个框；

在这里插入图片描述

特征融合

在最后的预测过程中

特征图1为13 * 13，预测更大的图像

特征图2为26 * 26

特征图3为52 * 52，预测细粒度更高的图像

目标预测框的预测

Cx对应当前的左上角点的x坐标

Cy对应当前的左上角点的y坐标

在这里插入图片描述

限制当前的边界框在cell中，可以加快收敛；

正负样本的匹配

采用重合程度最大的作为正样本；

有多少个object需要预测，就有多少个正样本；

如果非正样本，没有定位损失和类别损失，只有objectness

出现问题：正样本太少不好训练

每一个GT和Anchor Template模板进行计算

设置阈值，如果超过阈值就认为是正样本；

Softmax

在这里插入图片描述

损失计算

在这里插入图片描述

置信度损失：二值交叉熵损失

在这里插入图片描述

类别损失：二值交叉熵损失

在这里插入图片描述

SpaceSunflower
关注
  • 11
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
YOLOv3 模型中的多尺度融合与训练
weixin_42108090的博客
11-28 4752
YOLO-V3 模型设计思想 下半部分描述了生成候选区域的过程，首先将原图划分成多个小方块，每个小方块的大小是32×3232\times 3232×32，然后以每个小方块为中心分别生成一系列锚框，整张图片都会被锚框覆盖到。在每个锚框的基础上产生一个与之对应的预测框，根据锚框和预测框与图片上物体真实框之间的位置关系，对这些预测框进行标注。 这里的锚框生成方式和两阶段的算法不同，两阶段的算法通过RPN网络在特征图上生成Anchor 目前我们计算损失函数是在特征图P0的基础上进行的，它的步幅stride=3
yolov3网络结构图_通俗易懂之YOLOV3-ASFF(自适应特征融合)
weixin_39662228的博客
12-12 2575
本系列文章力求浓缩论文要点，同时讲清楚论文的来龙去脉。今天要讲解的论文是《Learning Spatial Fusion for Single-Shot Object Detection》，它解决了特征金字塔中深浅层特征融合时，特征尺度不一致造成的冲突问题（下文中会进行详细解释）。如上图所示，YOLOV3+ASFF相比于原始的YOLOV3 baseline有较为明显的涨点。按照以下结构来组织论文要...
【目标检测】YOLOv3 ，多尺度检测与特征融合
qq_43799400的博客
04-04 6966
YOLOv3 ，多尺度检测与特征融合
CornerNet算法-初识要点
Futile的博客
02-28 532
初识CornerNet算法的要点和一些创新之处简介算法摘要介绍创新点模型框架overviewHourglass NetworkDetecting CornersOffsetEmbedding VectorCorner Pooling总结 简介 最近在学习目标检测方面的知识，然后cvpr2019上发布的一篇anchor-free机制的论文之后，anchor-free这个点挺火的，然后就想了解一下这篇...
目标检测网络-yolo
qq_43369406的博客
03-27 2826
目标检测网络-yolo
Selective-Search-边框生成.7z
03-03
# 输出: 预选框-candidate-box # 第1步: 利用Graph-Based Segmentation算法，将图片过度分割 # 第2步: 创建字典集，每个子字典，含8个键值对 # 第3步: 邻近匹配字典对 # 第4步: 计算字典对的相似度 # 第5步: ...
基于S7-200可能量预选的摩擦压力机数控系统
08-18
《基于S7-200可能量预选的摩擦压力机数控系统》 摩擦压力机作为早期的螺旋压力机类型，尽管其控制技术相对落后，无法精确控制打击能量，但因其结构简单、成本低廉和成熟的技术，仍在国内广泛应用且市场需求巨大。...
kube-scheduler.rar
01-09
2. **预选阶段**（PreFiltering）：初步筛选出满足基本条件的Node，如资源容量、Pod的硬约束等。 3. **过滤阶段**（Filtering）：进一步过滤Node，根据Pod的标签选择器、节点的Taints与Tolerations、Pod Affinity/...
通信电子线路-.pptx
11-14
低电平AM发射机通过基带放大器和缓冲放大器放大基带信号，然后经过调制器进行幅度调制，再由射频放大器放大，最后通过匹配网络和射频振荡器生成并发射已调信号。高电平AM发射机则在射频功率放大器之前进行调制，通常...
docker-bedrock-base:Bedrock Wordpress安装的Dockerized版本
05-17
docker-bedrock-base Bedrock Wordpress安装的Dockerized版本，带有一些预选的插件该项目的目的是作为Wordpress的基本安装，以快速开发小型客户端站点。 将预安装通用插件，并将包含基于组件的模板作为模板结构和...
目标检测中anchor box(先验框)的理解
zl_Dream的博客
02-15 6091
近来心血来潮，把CV领域关于目标检测的主流方法YOLOv3和Faster RCNN看了一下，对其中的先验框(anchor box)一直不太理解，在广泛地阅读了一些相关讲解后，有了一定的理解，在此记录一下。 先验框的个人理解 先验框最早提出于Faster RCNN，初衷是为了代替selective search算法。 先验框是根据特征图生成的，即，特征图上每个位置都有一定数目不同比例的先验框。而大小是相对于原图的，也就是特征图上每个点可以映射到原图中某个特定区域(感受野大小)。 在训练的时候往往是把先验框缩
ECCV18 Oral | CornerNet目标检测开启预测“边界框”到预测“点对”的新思路
qq_41552455的博客
08-10 1106
本文转自公众号：我爱计算机视觉 原文地址：https://arxiv.org/abs/1808.01244 github地址：https://github.com/umich-vl/CornerNet 性能超过所有one-stage类型目标检测算法，训练和测试代码均已开源。 本文来自ECCV2018 Oral论文《CornerNet: Detecting Objects as Paired...
计算机视觉——yolov5回归与跨网格预测、训练技巧（下篇）
想太多的学习日志
04-19 1754
3. YOLOv5目标框回归与跨网格预测策略 3.1 回顾：目标框PASCAL VOC标注格式 3.2 标记文件 一个例子 3.3 目标框回归 3.4 YOLOv5跨网格匹配策略 4. YOLOv5 训练技巧 4.1 训练预热warmup 4.2 自动计算锚框 4.3 超参数进化 4.4 自动混合精度训练 4.5 断点续训 !!!!!!!!! 4.6 多GPU训练 4.7 并行数据加载
YOLOV5改进-增加小目标的检测层，K-means聚类生成框
最新发布
qq_69854365的博客
08-09 3641
YOLOv5对于小目标检测效果不佳的原因之一是小目标样本尺寸较小，YOLOv5的下采样乘数较大。较深的特征图使得学习小目标的特征变得困难，因此本文提出添加小目标检测层来检测较浅的特征图。具体流程如图5所示。YOLOv5原本只对最后三个C3层进行特征预测，但由于小目标在连续下采样的过程中丢失了特征信息，导致小目标检测效果不理想。因此，我们添加了一层特征预测。新增的预测层下采样次数更少，小目标分辨率更高，有助于模型学习小目标的特征。
YOLOv3原理详解（绝对通俗易懂）2021-07-01
qq_43581224的博客
07-01 5万+
1、YOLO框架
YOLO v3算法笔记
热门推荐
AI之路
05-05 8万+
论文：YOLOv3: An Incremental Improvement 论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf YOLO系列的目标检测算法真的非常赞！这篇博客就来介绍YOLO v3算法的内容，因为涉及到v1和v2的一些思想，所以可以先熟悉下：YOLO v1算法详解，YOLO v2算法详解。 YOLO算法的基本思想是：...
特征融合的分类和方法
橙子的博客
03-01 3万+
1、特征融合的定义 特征融合方法是模式识别领域的一种重要的方法，计算机视觉领域的图像识别问题作为一种特殊的模式分类问题，仍然存在很多的挑战，特征融合方法能够综合利用多种图像特征，实现多特征的优势互补，获得更加鲁棒和准确性的识别结果。 2、特征融合的分类 按照融合和预测的先后顺序，分类为早融合和晚融合（Early fusion and Late fusion） 早融合（Early fusion）：就是在特征上进行融合，进行不同特征的连接，输入到一个模型中进行训练。（先融合多层的特征，然后在融合后的特征
YOLOv3 阅读笔记
小白的博客
05-24 5367
# YOLOv3 阅读笔记 论文链接:https://arxiv.org/abs/1804.02767 代码链接:https://github.com/pjreddie/darknet 非官方win+Linux版:https://github.com/AlexeyAB/darknet 一句话总结: 概述: 结果 论文细节: detection网络结构 anchor获取与设定 以上网络...
YOLOV3详解
MAX的专栏
10-16 4017
YOLOV3 是集成了 SSD（多尺度预测）， FCN(全卷机)，FPN（特征金字塔），DenseNet(特征通道concat) 网络的大成之作! YOLOV3 的主干网络backbone 称为 DarkNet, 主要有DarkNet-21 , DarkNet-53, 区别在于每层的 ResidualBlock 个数不同. yolo-v3 网络结构: 1、DarkNet-53 搭建: darknet-53 由一个初始卷积层 + 5个Layer 层构成，进入layer层后进行下采样，大小减半，通道增倍。每个
YOLOv5的预选框损失函数
06-06
YOLOv5的预选框损失函数是基于预选框进行训练的，主要是为了提高检测框的召回率和准确率。 YOLOv5的预选框损失函数主要由以下四个部分组成： 1. Objectness Loss：用于衡量预选框中是否包含目标物体。对于包含目标...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

SpaceSunflower

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值