YOLOv3通过Darknet53网络提取特征，将输入图像压缩至13×13网格，每个网格预测3个边界框。采用多尺度检测不同大小目标，输出3个特征图分别对应不同尺度。每个特征图有3个anchor，用于预测目标。分类器计算特定标签概率，使用二元交叉熵损失计算分类损失。
以下内容纯属个人理解，请路过的小伙伴留下宝贵意见，欢迎纠正和补充，谢谢
yolov3的总体思想归纳：
首先，将输入图片压缩到416×416，通过特征提取网络（Darknet53 without FC layer）对输入图像提取特征得到大小一定的特征图，比如13×13，然后将输入图像分成13×13个网格（grid cells），接着如果GT中某个目标的中心坐标落在哪个grid cell中，那么就由该grid cell来预测该目标。每个grid cell都会预测3个边界框。预测得到的输出特征图共有三个维度，第三个维度是深度。
Yolov3输出了三个不同尺度的特征图。采用多尺度对不同大小的目标进行检测，越精细的grid cell就可以检测出越精细的物体。三个尺度的深度都是255（3×（5+80））。
根据图来说明过程：
最低0.47元/天 解锁文章
2283
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
