浅析YOLO V3

YOLO V3: An Incremental Improvement
作者:Joseph Redmon and Ali Farhadi
单位:University of Washington
发表会议及时间:TECH REPORT 2018

一 目标检测任务及发展脉络

基于深度神经网络的目标检测

• 双阶段（two-stage）：第一级网络用于候选区域提取；第二级网络用于对提取的候选区域进行分类和精确坐标回归，例如RCNN系列。
• 单阶段（one-stage）：摒弃了候选区域提取这一步骤，只用一级网络就完成了分类和回归两个任务，例如YOLO和SSD
• Anchor Free：取消anchor生成机制，加快了速度，代表算法：CenterNet CornerNet Fcos等
  

二 YOLO的发展历史

• 创造性的将识别和定位合二为一
• 由于其检测速度极快，在实际应用中十分受欢迎
  

三 YOLO的原理

• 一次性输出所有检测到的目标信息，包括类别和位置
• 一个区域浓缩为一个多维度的点（1X1XN维）
• 每个1X1的点生成3个锚框anchor（或者其他值）
• 综合所有锚框，与标签进行比较，计算loss
  

每个1X1的格子都预测出B个boundingBox，这个boundingBox都有5个量，分别是：框的中心位置和他的高和宽，以及是否有目标的置信度，每个框还要负责预测这个框中的物体是什么类别

例如：
如果我们有SXS个框，每个框的bbox有B个，分类器可以识别出C中不同的物体，那么整个维度就是：

SXSX（BX（5+C））

四 核心点

• YOLOV3比之前版本更大但更精确
• 和SSD一样精确但比SSD快3倍
• 用TitranX时实现57.9AP，用时51ms
• 比RetinaNet快3.8倍

大尺度用来检测小目标，以为感受野比较小，小尺度用来检测大目标

YOLOV3 的主干网络

DarkNet53，如下图。

DarkNet53处理速度每秒78张图，比DarkNet19慢不少，但是比同精度的ResNet快很多

网络结构解析

• 只有卷积层：通过调节卷积步长控制输出特征图尺寸，所以对于输入图片尺寸没有特别限制。
• 金字塔特征图：小尺寸特征图用于检测大尺寸物体，而大尺寸特征图用于检测小尺寸物体
• 借鉴ResNet：将输入的特征图，与输出特征图对应维度进行相加
• 借鉴DenseNet：将特征图按照通道维度直接进行拼接

YOLO输出特征图解码

• 根据不同的输入尺寸，会得到不同大小的输出特征图
• 每个特征图的每个格子中，都配置3个不同的先验框，所以最后三个特征图，这里reshape为8X8X3X(5+80),16X16X3X(5+80),32X32X3X(5+80)
• 检测框位置4维，检测置信度1维，类别80维都在其中，加起来正好85维

先验框

YOLOV3沿用了V2中关于先验框的技巧，并且使用k-means对数据集中的标签框进行聚类，得到类别中心点的9个框，作为先验框
有了先验框与输出特征图，就可以接码检测框X，Y，W，H

置信度和类别

• 置信度在输出85维中占固定一位，有sigmode函数解码，解码之后数值区间在[0,1]中
• COCO数据集有80个类别，所以类别数在85维占了80维，每一维独立代表一个类别的置信度，使用sigmode激活函数替代了YOLOV2中的SoftMax，取消类别之间的互斥，可以使网络更加灵活。
• 三个特征图一共可以解码出8 × 8 × 3 + 16 × 16 × 3 + 32 × 32 × 3 = 4032 个box以及 相应的类别、置信度。这4032个box，在训练和推理时，使用方法不一样:
  • 训练时4032个box全部送入大标签函数，进行后一步的标签以及损失函数的计算
  • 推理时，选取一个置信度域值，过滤掉低域值的box，再经过nms（非极大值抑制），就可以输出整个网络的预测结果了

训练策略

• 预测框：正例、负例、忽略样例子
• 正例：取一个ground truth，与4032个框全部计算IOU，最大的为正例 ，正例产生置信度loss、检测框loss、类别loss。ground truth box为对应的预测框的标 签。
• 负例：与全部ground truth的IOU都小于阈值(0.5)，则为负例。负例只有分类 置信度产生loss，分类标签为0，边框回归不产生loss。
• 忽略样例:正例除外，与任意一个ground truth的IOU大于阈值(论文中使用 0.5)，则为忽略样例。忽略样例不产生任何loss。