Gaussian YOLOv3 An Accurate and Fast Object Detector Using Localization one-stage-yolo优化

paper：https://arxiv.org/abs/1904.04620

官方code：https://github.com/jwchoi384/Gaussian_YOLOv3 

第三方code：https://github.com/xuannianz/keras-GaussianYOLOv3

我的code：https://github.com/panchengl/yolov3_prune/tree/master/gussian_yolo

这篇文章是一个非常具有启发性的文章，再一次证明高斯模型的重要性，并且建模的角度也很清奇，当时在大家都停滞于yolov3精度的时候，独树一帜的提出这一点，我觉得非常棒，当然，同期的后来还有ASFF，后续我会写到ASFF，虽然ASFF效果更加惊艳，但我觉得gaussian_yolov3的思路真的更漂亮（主要是我复现gaussian yolov3在voc上得到了map提升，ASFF在voc上效果没有那么显著。。。），本文将按照论文的结构来对paper进行解读和分析。

Abstract

    首先强调了自动驾驶中需要一种能够应付错误定位的检测算法，而本paper就解决了这个问题，本方法通过对one-stage中代表性的yolov3的box进行建模，使用高斯函数重新设计了损失函数，从而在实时检测的同时提高精度，具体来讲，本文就是提出了一种预测定位的不确定性方法，该方法表明了bbox的可靠性，可以显著减小False Predict并增加True Predict，并在KITTI和BDD数据集上获得了map的提升，且fps号称达到了42fps，极其适合自动驾驶。

1、Introduction

    本文提出了一种通过对YOLOv3的bbox坐标建模来提高检测精度的方法，该方法仅输出确定性值作为高斯参数（即每个坐标的均值和方差），并重新设计损失函数。 通过这种高斯模型，可以估计YOLOv3中bbox回归任务的定位不确定性。 此外，为了进一步提高检测精度，提出了一种在检测过程中利用预测的bbox定位不确定性来减小FP并增加TP的方法（我的理解是利用极大似然来增加TP，不确定性减少FP）。 因此，这项研究是对YOLOv3中的定位不确定性进行建模并以实际方式利用这一因素的首次尝​​试。 结果表示，提出的高斯YOLOv3可以应对自动驾驶应用中的错误检测。 另外，本方法的额外的计算成本可忽略不计，因此所提出的算法以超过42 fps的速度保持了实时检测速度 输入分辨率为512×512。 与baseline（即YOLOv3）相比，提出的高斯YOLOv3分别在KITTI 和BDD 数据集上将mAP分别提高了3.09和3.5。 此外，在KITTI和BDD数据集上，该算法分别将FP降低了41.40％和40.62％，并将TP分别提高了7.26％和4.3％。 结果，在精度和