YOLOV3-理论笔记

1.改进了网络结构DreakNet-53，更加适合小目标检测
2.先验框 V1 2种 ，V2 聚类的5中 V3 9种

3.softmax改进 预测多标签任务。
4.有三种框 5252预测小的 2626可以预测中等物体 1313预测大的物体
5.scale 变换经典的方法
图像金字塔 （在v3中不合适 速度慢） 单一的输入

主要就是右图 主要就是上采样 可以用反卷积 或者线性插值去做
1313 的fm图 上采样 为2626的 进行和之前做卷积的2626的融合 最后融合过后的2626+2626在进行上采样为
5252 在和原来5252的进行融合 =5252+5252

6.网络结构
①没有池化（特征图进行压缩，效果不会太好）和全连接层
②下采样通过stride（步长） 为2 实现
③ 三种scale ，更多的先验眶（1313 2626 5252）
7.核心的网络架构

1313 就是特征图的大小 3是三种先验眶 box1 ，box2，box3 同2626 5252一样的
85就是 80+4+1 80个分类的类别概率 +x,y,w,h+置信度。

8.先验框的设计

9.softmax层替代
物体检测任务中可能一个物体有多个标签

logistic 激活函数来完成   来预测是不是   

而在yolov3-tiny中，一共有6个anchor，（10,14）, （ 23,27）, （37,58）, （81,82）, （135,169）, （344,319），

yolov3-tiny最终有2给分支输出作预测，特征图大小分别为1313，2626。每个特征图使用3个anchor做预测。

13*13的特征图使用（81,82）, （135,169）, （344,319）这3个anchor

26*26的特征图使用（ 23,27）, （37,58）, （81,82）这3个anchor

详细链接1
详细链接2：推荐这个