【学习-目标检测】目标检测之——YOLO v3

背景

相比于faster rcnn，yolo的思想要直接的多。YOLO模型从2015年提出，一直采用单阶段的检测方式，在分块的特征上直接用anchor进行中心点和w、h的回归，得到最终的预测框和类别。各类改进版往往是吸取了两阶段检测和free anchor方法进行提升。

思路

YOLO-V1

根据特征图中网格划分寻找物体中心点并进行长、宽的拉伸，得到坐标框。

YOLO-V2

在yolo1的基础上，改进backbone，进行真实框的聚类（类似于rgb通道均值归一化），加入多尺度特征，得到更好结果。

YOLO-V3

yolo v3在之前的基础上融合了RPN的思想，通过提取特征生成anchor进行回归，比单纯学习更加快速高效；同时对于回归真实框部分：对于中心点回归使用sigmoid函数将距离控制在（0，1）之间，使用指数函数将w、h偏移控制在[0， +]，更好的学习回归框的值。对于多个anchor重叠问题，使用score排序方式，去掉重复且分数低的框，但导致重叠物体难以检测。

结构

从整体结构来看，yolo v3的网络结构类似于faster rcnn的backbone和FPN结合的方式，提取出不同尺度的特征图，通过特征图（13\26\52)多尺度信息获得更多尺度目标，255=3*（80+4+1）对每个类别分别计算回归、分类和是否有物体的loss。
核心：粗定位用网格划分找到物体中心点，精定位用中心点和偏移框得到实际物体坐标。

细节

input：416x416x3
backbone：特征降维5次——13，降维4次——26，降维3次——52，分别得到三个尺度的特征输出（前一层特征作用到后一层）
回归：52x52x255（其中255表示（80类+4个坐标+是否有物体）*3个比例框
loss：
坐标转换：

总结

• yolo v3的anchor借鉴了RPN，多层特征输出和FPN类似，只不过不需要根据RoI进行特征解码之后再训练；
• 在yolo v3提取多层特征之后，进行loss学习和转化是理解yolo 训练的关键，如何将1313225和26、52的
• 特征转化为三个loss进行训练，还需要看代码更细致的理解。

但相比faster rcnn，yolo v3确实直接了当，先找真实框中心点，然后拉伸边界范围，最终用NMS过滤分数低和重复的候选框。