Paper Reading:YOLOv3: An Incremental Improvement

论文地址：YOLOv3

优势之处

YOLOv3采用全新的网络darknet-53来代替YOLOv2的darknet-19，该网络更大但精度更高，同时仍足够快：在$320\times 320$的输入下，YOLOv3在22ms内检测完毕并且具有28.2的mAP,在精度上和SSD一样高但在速度上使他的三倍。当在原来.5 IOU mAP的检测标准上，YOLOv3表现得十分出色，在Titan X显卡上只花费51ms实现$57.9A{P}_{50}$的效果，对比RetinaNet花费198ms实现$57.5A{P}_{50}$，YOLOv3的运行速度是它的3.8倍。

四点改进

边界框预测

在边界框预测上仍延用YOLO9000的方法：
使用维数聚类和anchor boxes
网络对每个边界框预测4个坐标参数：
$t_x,t_y,t_w,t_h$。
当发生如YOLOv2所述的特殊情况，则仍按下图处理。

使用logistic回归来预测类目标的分数

类别预测

仍采用多标签分类方法，同时构造层级分类树进行分类，开绿道使用softmax函数进行分类执行效果不佳，改用logistics回归函数进行分类。在训练期间，采用二值交叉熵损失进行类别预测。

放弃使用softmax函数而采用logistic回归函数的原因：

1. 使用softmax意味着利用先验的假设每个框内只含有一个目标
2. 事实是很多数据集中(i.e:Open Images Dataset)很多类别标签是重合的，多标签方法更适合这些数据集。

跨尺度预测

YOLOv3在3个不同尺度上进行预测，最后输出一个3-d张量对边界框、类似目标和类别预测进行编码。在coco数据集上进行实验，本文在每个尺度上预测3个边界框，所以当有4个边界框集合，1个类似目标和80个类别预测时，张量为$N\times N\times [3\ast (4+1+80)]$。
同时比较关键的改进还有：将网络中更早时候的特征映射和上采样得到的系列特征进行串联，从上采样特征中获得更多有意义的语义信息和从早期feature map中获得更多细粒度信息。

特征提取器

使用新的网络Darknet-53

缺陷

YOLOv3有极好的$A{P}_S$执行结果，但在中等和更大尺寸的目标上执行效果不理想。