目标检测8

YOLOv2和YOLOv3是典型的基于深度学习的目标检测算法，它们使用统计自适应指数回归模型设计了网络的最后一层来预测目标的尺寸大小。

今天分享的是研究者提出了基于统计自适应线性回归的目标尺寸预测方法。YOLOv2和YOLOv3是典型的基于深度学习的对象检测算法，它们使用统计自适应指数回归模型设计了网络的最后一层来预测对象的尺寸大小。

然而，由于指数函数的性质，指数回归模型可以将损失函数的导数传播到网络中的所有参数中。研究者提出了统计自适应线性回归层来缓解指数回归模型的梯度爆炸问题。所提出的统计自适应线性回归模型用于网络的最后一层来预测从训练数据集的统计数据估计目标的尺寸大小。研究者新设计了基于YOLOv3tiny网络，它在UFPR-ALPR数据集上比YOLOv3有更高的性能。

主要这个上韩文论文，导致本人阅读过程比较艰难，所以今天就简单介绍些整体框架思想，有兴趣的同学可以进一步阅读论文，深入了解！

 

上图是YOLOv2 and YOLOv3的后处理过程。

所提的方法使用学习数据集中的可估计统计数据来预测目标的宽度和高度，这与YOLOv2和YOLOv3相同。估计学习数据集统计值的过程如下: 根据学习数据集中存在目标的宽度和高度值，将目标分类为K个簇，然后估计每个簇中目标的宽度和高度值各自的算术均值。 

研究者提出的统计值自适应线性回归模型进一步估计了各簇中目标的宽度和高度值的标准差。然后，设计了通过网络预测的目标的宽度和高度值的均值和标准差遵循学习数据集中存在的目标宽度和高度值的均值和标准差。利用学习数据集中的可估计统计值对预测值的统计值进行约束，可以使网络在学习阶段更加稳定，提高检测性能。

现有的YOLOv2， 随着对YOLOv3中用于目标大小预测的统计值自适应指数回归模型的修改，研究者重新定义了用于学习所提出的目标大小预测的统计值自适应线性回归模型的损失函数，所提出的损失函数如上。

实验 

 UFPR-ALPR dataset

The network architecture of newly designed YOLOv3 tiny for experiments 

 

原创作者: whaosoft 转载于: https://blog.51cto.com/whaosoft/11620087