YOLO V3（2018 CV）

论文标题	YOLOv3: An Incremental Improvement
论文作者	Joseph Redmon, Ali Farhadi
发表日期	2018年04月08日
GB引用	> Joseph Redmon, Ali Farhadi. YOLOv3: An Incremental Improvement[J]. ArXiv E-prints, 2018, abs/1804.02767.
DOI	http://arxiv.org/abs/1804.02767

论文地址：https://arxiv.org/pdf/1804.02767

摘要

YOLOv3通过一系列小的设计改进提升了性能，比之前的版本更准确但速度稍慢。它在22毫秒内达到28.2 mAP，与SSD精度相当但快三倍。在旧的mAP检测指标下，YOLOv3在51毫秒内达到57.9 AP50，比RetinaNet类似性能但快3.8倍。YOLOv3采用多尺度预测，使用Darknet-53特征提取器，该网络结构比ResNet-101和152更高效。尽管YOLOv3在处理速度和AP50指标上表现出色，但在高IOU阈值下的表现仍需改进。

全文摘要

YOLOv3: An Incremental Improvement 这篇论文主要介绍了YOLO（You Only Look Once）目标检测算法的第三次迭代更新。以下是论文的主要内容总结：

• 算法改进：作者对YOLO算法进行了一系列的小设计改进，以提高检测的速度和准确性。
• 新网络结构：引入了Darknet-53作为YOLOv3的特征提取器，这是一个包含53层的卷积神经网络，结合了Darknet-19和残差网络的特点。
• 多尺度预测：YOLOv3能够在不同尺度上进行目标检测，类似于特征金字塔网络，有助于检测不同大小的目标。
• 锚框使用：使用基于聚类得到的锚框来预测边界框，提高了预测的准确性。
• 对象性得分：使用逻辑回归预测每个边界框的对象性得分，以确定边界框是否包含目标对象。
• 多标签分类：采用多标签分类方法进行类别预测，而不是传统的Softmax层，更好地处理具有重叠标签的数据集。
• 训练策略：使用多尺度训练、数据增强和批量归一化等技术，提高了模型的训练效果。
• 性能评估：在COCO数据集上对YOLOv3进行了性能评估，与现有的目标检测方法进行了比较。
• 速度与准确性权衡：展示了YOLOv3在不同分辨率输入下的速度和准确性，特别是在AP50（50% IOU阈下的mAP）指标上的表现。
• 失败尝试：论文还讨论了一些尝试但未成功的改进方法，如焦点损失和双重IOU阈值等。
• 评估指标讨论：对当前目标检测评估指标，特别是COCO数据集使用的mAP指标进行了深入讨论，并提出了可能的改进方向。
• 社会影响：论文最后讨论了计算机视觉技术的潜在社会影响，包括个人隐私和伦理问题。

总体而言，YOLOv3 在保持快速检测的同时，显著提高了目标检测的准确性，尤其是在产生可接受边界框方面表现出色。论文还对目标检测领域的评估标准提出了有益的思考和可能的改进方向。

研究问题

如何改进YOLOv3以在高交并率（IOU）阈值下提高检测性能，同时保持其速度优势？

研究方法

实验研究： 通过训练新的分类网络来提高检测精度，并在多个尺度上进行预测，使用多尺度训练和数据增强等标准技术。

混合方法研究： 结合了其他人的优秀想法，并采用了一种类似特征金字塔网络的方法，从不同尺度提取特征，同时使用卷积层和残差连接，形成一个更强大的特征提取器。

比较研究： 对比了YOLOv3与其他检测方法（如RetinaNet、SSD等）的速度和性能，展示了YOLOv3在速度和精度上的优势。

研究思路

论文通过以下方式解决目标检测中的挑战：

• 设计改进：作者对YOLO算法进行了一系列的小的设计改进，这些改进提高了算法的性能。
• 新的网络结构：引入了Darknet-53作为特征提取器，这是一个包含53层卷积网络的深度学习模型，它结合了YOLOv2中使用的Darknet-19和残差网络（ResNet）的特点。
• 多尺度预测：YOLOv3能够在不同的尺度上进行目标检测，这类似于特征金字塔网络（FPN），有助于捕捉不同大小的目标。
• 锚框（Anchor Boxes）：使用基于聚类得到的锚框来预测边界框，提高了预测的准确性。
• 对象性得分（Objectness Score）：使用逻辑回归为每个边界框预测对象性得分，这有助于确定边界框是否包含目标对象。
• 类别预测：采用多标签分类方法，而不是传统的Softmax层，使得模型能够处理具有重叠标签的数据集。
• 训练策略：使用多尺度训练、数据增强和批量归一化等技术，提高了模型的训练效果。
• 损失函数：在训练过程中，对于边界框坐标预测使用平方误差损失，对于类别预测使用二元交叉熵损失。
• 评估指标的讨论：作者对当前目标检测评估指标，特别是COCO数据集使用的mAP指标进行了深入讨论，并提出了可能的改进方向。
• 实验验证：通过在COCO数据集上的实验，展示了YOLOv3在速度和准确性上的优势，尤其是在AP50（50% IOU阈下的mAP）指标上的表现。

边界框预测

继 YOLO9000之后，我们的系统使用维度聚类作为锚框来预测边界框[15]。网络为每个边界框预测四个坐标，$t_x,t_y,t_w,t_h$。如果单元格与图像左上角的距离为 $(c_x,c_y)$，并且边界框先验有宽度和高度 $p_w,p_h$，则预测对应于：