YOLO v3

YOLO系列（三）——YOLO v3

---

---

前言

该系列为博主自主学习YOLO系列的自我总结。本篇是对YOLOv3进行一个总结和分析。本文主要从以下五个改进点进行分析和总结：Bounding Box Prediction、Class Prediction、Predictions Across Scales、 Feature Extractor、Training。

---

一、Bounding Box Prediction

YOLO v3的Bounding Box由YOLOV2又做出了更好的改进。在yolo_v2和yolo_v3中，都采用了对图像中的object采用k-means聚类。feature map中的每一个cell都会预测3个边界框（bounding box） ，每个bounding box都会预测三个东西：
（1）每个框的位置（4个值，中心坐标t_x和t_y，框的高度b_h和宽度b_w）
（2）一个objectness score
（3）N个类别
第二点的objectness score是YOLOv3的改进点，这个score是由logistic回归对anchor box进行计算得到的。如果当anchor box先验框是最优解时，score=1，先验框保留；反之，score=0，先验框剔除。判断是否为最优解可依据IOU的值。这一步骤是在predict之前，可以去掉多余的anchor boxes，减少计算量。

---

二、Class Prediction & Loss Function

在分类预测的训练过程中，采用的损失函数是二分类交叉熵损失函数。不采用Softmax的原因是很多目标存在重叠的类别标签，例如秋田犬既是秋田犬也是狗。Sotfmax只会输出预测值最大的那一个类别。多标签方法可以对数据进行更好的建模。

---

三、Predictions Across Scales

多尺寸输出预测算是YOLOv3的一个重大改进。

上图是YOLOv3的网络结构图。从图中可以看出y1、y2、y3代表着3种不同尺度的输出：13×13、26×26、52×52，深度都是255。 255是从*[3 ∗ (4 + 1 + 80)]=255*得来的。其中，3表示三种不同的尺寸输出，4表示预测框的坐标和宽高，1是置信度，80是类别个数。

---

四、Feature Extractor

在特征提取方面，YOLOv3采用的Darknet-53，包含53个卷积层。因为输出是3种不同尺寸的输出，所以在网络中涉及到网络层的拼接，属于残差结构。YOLOv3网络的残差结构中没有使用全连接层，最后采用的全连接只是为了分类。同时为了降低池化带来的梯度负面效果，也没有用池化层（反向传播中，池化不可导），而降采样是通过改变卷积层的stride实现的。
为了加强算法对小目标检测的精确度，YOLOv3中采用类似FPN的upsample和融合做法，最后融合了3个scale，分别是13×13、26×26和52×52，在多个scale的feature map上做检测。

---