yolo v3 学习笔记

yolo v3 学习笔记

1.yolov3的改进

1.1 目标分类由softmax改为了logistic

使用softmax进行分类需要假设类别之间是相互独立的，及要么属于该类要么不属于。然而一些公开数据库中的数据有着person和women的标签，这时候再使用softmax就不再合适了。为了解决这个问题，作者使用二分类的交叉熵损失来进行分类。

1.2 使用多尺度特征图进行预测

 

作者同样使用聚类算法对bounding box的维度进行聚类，在yolov3中，作者使用的聚类数目为9，分别对应小、中、大三个尺度的特征图，先验框的大小为：(10×13); (16×30); (33×23); (30×61); (62×45); (59×19); (116 × 90); (156 × 198); (373 × 326).

1.3网络的改进

在yolov2中，网络是基于vgg网络结构搭建darknet-19。在yolov3中，作者参考了resnet的跨层连接结构从而搭建了更深的darknet-53。