YOLO-V3算法解读

Mzcc_bbms

已于 2022-06-02 14:28:00 修改

阅读量553

点赞数

分类专栏： 2D目标检测与实例分割文章标签：算法深度学习自动驾驶

于 2021-09-08 16:58:26 首次发布

本文链接：https://blog.csdn.net/Mzcc_bbms/article/details/120180196

版权

5 篇文章 0 订阅

订阅专栏

改进方法概述

为了能检测到不同大小的物体，设计了3个scale（13x13 、26x26、52x52）
scale变换经典方法
图像金字塔：如果在yolo中使用的话，速度太慢了

FPN（feature pyramid network）: 特征金字塔，对不同的特征图分别利用，不同的特征图融合后进行预测，尺寸不同通过上采样实现

残差连接： yolo-v3 的特征提取器是一个残差模型，因为包含53个卷积层，所以称为Darknet-53，从网络结构上看，相比Darknet-19网络使用了残差单元，所以可以构建得更深。
采用FPN架构： 采用 FPN 架构（Feature Pyramid Networks for Object Detection）来实现多尺度检测。YOLOv3 采用了3个尺度的特征图（当输入为416x416时）—— (13x13),(26x26),(52x52）。YOLOv3 每个位置使用3个先验框，所以使用 k-means 得到9个先验框，并将其划分到 3 个尺度特征图上，尺度更大的特征图使用更小的先验框。
没有池化和全连接层，下采样通过步长为2实现

在这里插入图片描述

先验框的设计：使用聚类得到9个聚类中心，然后对它们进行排序，再平均分配到三个尺度上，最后每个尺度有3个anchor。
softmax改进: 实现多标签任务
类别预测方面主要是将原来的单标签分类改进为多标签分类，因此网络结构上就将原来用于单标签多分类的softmax层换成用于多标签多分类的逻辑回归层。首先说明一下为什么要做这样的修改，原来分类网络中的softmax层都是假设一张图像或一个object只属于一个类别，但是在一些复杂场景下，一个object可能属于多个类，比如你的类别中有woman和person这两个类，那么如果一张图像中有一个woman，那么你检测的结果中类别标签就要同时有woman和person两个类，这就是多标签分类，需要用逻辑回归层来对每个类别做二分类。逻辑回归层主要用到sigmoid函数，该函数可以将输入约束在0到1的范围内，因此当一张图像经过特征提取后的某一类输出经过sigmoid函数约束后如果大于0.5，就表示属于该类。采用的二值交叉熵损失（binary cross-entropy loss）。

YOLOv3的损失函数也由定位损失bbox loss、置信度损失conf loss和分类损失class loss三部分组成。
各部分损失函数详解：

其中：
注意： 位置损失为方差损失（MSE），置信度损失和分类损失都为交叉熵损失(BCE)（binary cross entropy，其中BCE的具体公式计算如下：