本文详细介绍了YOLO v3的论文，包括YOLO v3的网络结构，如Darknet-53，以及多尺度预测机制。重点讨论了类别预测不再使用softmax而是采用logistic回归的原因，以及为何在损失函数中舍弃平方误差，转而采用交叉熵。同时，文中还解释了不同尺度特征图对应不同大小的先验框选择策略。
论文地址1: https://arxiv.org/pdf/1804.02767.pdf
论文地址2：https://pjreddie.com/media/files/papers/YOLOv3.pdf
论文题目：YOLOv3: An incremental improvement
keras 实现:https://github.com/qqwweee/keras-yolo3
YOLOv3检测一张320×320的图像只需要22.2毫秒，mAP为28.2。其与SSD一样准确，但速度快了三倍，
mAP是什么？参考下面博客:
https://blog.csdn.net/weixin_38145317/article/details/89215780
网络结构：
DBL： 网络，代码中的Darknetconv2d_BN_Leaky，是yolo_v3的基本组件,就是卷积+BN+Leaky relu。
resn: n代表数字，有res1,res2,...,res8等等，表示这个res_block里有多少个res_unit.
concat:张量拼接，将darknet中间层和后面的某一层的上采样进行拼接，拼接的操作和参差层add的操作是不一样的，拼接会扩充张量的维度，而add只是直接相加不会导致张量维度的改变。
1.backbone: darknet-53
为了达到更好的分类效果，作者自己设计训练了darknet-53,作者在imagenet实验发现这个darknet-53,的确很强，相对于resnet-152和resnet-101,darknet-53不仅在分类精度上差不多，计算速度还比他们快多了，网络层数也比他们少。
不同于Darknet-19，yolo_v3使用了darknet-53的前面的52层（没有全连接层，除去最后一个FC），yolo_v3这个网络是一个全卷积网络，大量使用参差的跳层连接，并且
最低0.47元/天 解锁文章
扫一扫
8万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
