YoloV3———— 简单理解+回顾

本文部分内容转载于：【YOLO系列】YOLOv3论文超详细解读（翻译 ＋学习笔记）-CSDN博客

YoloV3在前作的基础上提升了准确性，虽然一定程度上增大了网络，但更加稳定，且仍旧很快。

Bounding Box Prediction

在YOLOv3 中，利用逻辑回归来预测每个边界框的客观性分数( object score )，也就是YOLOv1 论文中说的confidence :

      ●  正样本： 如果当前预测的包围框比之前其他的任何包围框更好的与ground truth对象重合，那它的置信度就是 1。

      ●  忽略样本： 如果当前预测的包围框不是最好的，但它和 ground truth对象重合了一定的阈值（这里是0.5）以上，神经网络会忽略这个预测。

      ●  负样本: 若bounding box 没有与任一ground truth对象对应，那它的置信度就是 0

使用这种方法，意味着prior box 的预测变为是或不是，也就是一个二分类问题，如果像YOLOv1使用bounding box与ground truth对象的IOU作为confidence，那么confidence score始终很小，无法有效学习，导致检测的Recall不高。

Class Prediction

取消使用softmax函数，改用binary cross-entropy loss

原因：对于softmax函数，一个目标只能有一种标签，例如只能是“women”或“person” 实际上，可以是既是women 还是 person；使用binary cross-entropy loss则变成了对于某个标签 “是 or 不是”

Predictions Across Scales

（1）YOLOv3采用了3个不同尺度的特征图（三个不同卷积层提取的特征）

YOLOv3通过下采样32倍、16倍和8倍得到3个不同尺度的特征图。

例如输入416X416的图像，则会得到13X13 (416/32)，26X26(416/16) 以及52X52(416/8)这3个尺度的特征图。

（2）YOLOv3每个尺度的特征图上使用3个anchor box。

使用dimension clusters得到9个聚类中心（anchor boxes），并将这些anchor boxes划分到3个尺度特征图上，尺度更大的特征图使用更小的先验框。

（3）YOLOv3对每个尺度下的特征图都进行边界框的预测。

每种尺度的特征图上可以得到N × N × [3 ∗ (4 + 1 + 80)] 的结果（分别是N x N个 gird cell ，3种尺度的anchor boxes，4个边界框偏移值、1个目标预测置信度以及80种类别的预测概率。）

该方法允许从上采样的特征中获取更有意义的语义信息，从早期的特征图中获取更细粒度的信息。

Feature Extractor

YoloV3在YoloV2和Darketnet-19结合，设计了一个新的网络，命名为Darknet-53

该网络达到了近似于ResNet-101的效果并且效率更高（ResNet实在是太多层，所以效率低）：

Train

上表中，在AP50这一指标上与SOTA很相近，也就是IOU=0.5情况下，YoloV3表现很好，证明了YoloV3非常善于为目标绘制bounding box ，但是不够精准。

同时，YoloV2在处理小目标上效果较差，但现在YoloV3处理能力很强，得益于多尺度特征。

YoloV3速度仍旧很快！！