【6】目标检测之YOLO v3

改进

Darknet-53

骨干网络采用Darknet-53 的网络结构,含有53个卷积层,增加了残差结构。
在这里插入图片描述

多尺度特征图预测

YOLO v3 更进一步采用了 3 个不同尺度的特征图来进行对象检测,可以参考下面的网络结构图,通过聚类的方法生成了9种先验框(10x13),(16x30),(33x23),(30x61),(62x45),(59x119),(116x90),(156x198),(373x326)。
在最小的 13 * 13 特征图上(有最大的感受野)应用较大的先验框(116x90),(156x198),(373x326),适合检测较大的对象。中等的 26 * 26 特征图上(中等感受野)应用中等的先验框(30x61),(62x45),(59x119),适合检测中等大小的对象。较大的 52 * 52 特征图上(较小的感受野)应用较小的先验框(10x13),(16x30),(33x23),适合检测较小的对象。
在这里插入图片描述
原文链接:https://blog.csdn.net/m0_45962052/article/details/105199178

正负样本匹配

正样本匹配:对每一个GroundTruthBox,取IOU最大的先验框作为正样本,剩余的先验框中,IOU>0.5的既不是正样本,也不是负样本,剩余的是负样本,不用于计算损失。正样本用于计算coordinate损失、confidence损失、class prediction损失,负样本只计算confidence损失。
在这里插入图片描述

边界框计算公式优化

在这里插入图片描述

网络结构

在这里插入图片描述

知识点

损失函数

YOLO v3的损失函数包括coordinate损失、confidence损失、class prediction损失, I i j o b j I^{obj}_{ij} Iijobj表示负责第i个网格的第j个先验框是否负责这个object,是的话 I i j o b j I^{obj}_{ij} Iijobj=1,否则 I i j o b j I^{obj}_{ij} Iijobj=0。
那么什么叫做负责呢? 当一个先验框是相较于所有的先验框是与该obj的GT Box的IOU最大,即该先验框为正样本时,这个先验框是负责这个object。
I i j n o o b j I^{noobj}_{ij} Iijnoobj表示当前先验框是不负责这个object。

论文中是这么规定正负样本的,但是我看代码是,只要目标所在网格产生的9个先验框中和目标的真实框的iou大于阈值的就为正样本,如果都小于阈值,那么和目标iou最大的为正样本。

原文链接:https://blog.csdn.net/weixin_43384257/article/details/100986249

在这里插入图片描述

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值