【论文阅读】YOLOv3-YOLOv3: An Incremental Improvement

YOLOv3的论文相较于前两个版本，没有太大的改动，作者以一种实验报告的形式描述了YOLOv3的改进部分及实验结果，也非常坦率地公布了一些不太成功的实验。

1. 细节

1.1 Bounding boxes prediction

​ Bounding Boxes的预测与YOLOv2中类似，都是预测相较于cell左上角坐标的偏移量$(t_x,t_y)$和长宽的缩放量$(t_w,t_h)$。当然这些数据表示的都是相对位置，取值范围为[0,1]。除了这四个量之外，还为每个bounding box预测了一个Objectness score，表示该bounding box中是否存在一个待检测目标，如果一个bounding box prior(就是anchor box)与ground truth的IOU是最大的，那么这个值应该为1；如果其中某个bounding box prior与ground truth的IOU是不是最大的，但是又超过了某一个阈值(这里设置为0.5)，那么就忽略他的预测结果。因为在YOLO中，为每一个ground truth只分配一个bounding box prior的objectness score为1，这保证了如果一个bounding box prior没有分配到一个目标，那么他只会受到objectness的影响。

1.2 Class Prediction

​ 在预测分类的时候，并没有采用softmax，而是独立的logistic分类器，采用的是binary cross entropy误差。
$$H_p(q)=-\frac{1}{N}\sum _{i=1}^N{y}_{i}log({\hat{y}}_i)+(1-y_i)log(1-{\hat{y}}_i)$$

1.3 Predictions Across Scales

​ 在最后的预测阶段，YOLOv3借鉴了特征金字塔网络(feature pyramid networks)，组合浅层网络输出的特征图。在YOLOv3中组合3种不同尺寸的特征图，并基于这些组合特征，增加了几层卷积层用于预测最后的结果，最后网络输出的tensor大小为：
$$N\ast N\ast [3\ast (4+1+80)]$$
即每个cell预测3个bounding boxes，每个bounding boxes预测$(t_x,t_y,t_w,t_h,t_{obj})$和80个类别的概率分布。

​ 在YOLOv3中仍然使用了bounding box prior，通过dimension cluster，得到9个聚类中心，再随机选择其中3个。

1.4 Feature Extractor

​ 在YOLOv3中，作者引入了ResNet中的shortcut的概念，将原来的DarkNet19修改成了DarkNet53，虽然网络规模比之前大，但是准确率提高了，依然很快(It’s still fast though, don’t worry)。其网络结构如下：

2. 结论

1. 尽管DarkNet53比DarkNet19要大，但是性能仍然能与ResNet-152媲美，但是速度比它快2倍，比SSD快3倍；
2. 在之前的版本中，YOLO在小目标上误差比较大，但是在v3版本中竟然反过来了，在大目标上误差较大；

3. 一些失败的实验

1. 直接预测Anchor box x， y的offset；
2. 在预测x， y的时候直接用Linear(直接预测结果准确位置)代替Logistic(相对位置0-1);
3. 引入Focal Loss；
4. 引入双IOU阈值和truth assignment；