卷积池化
卷积
核数等于维度
卷积 加padding 33卷积核图像尺寸不变
不加 padding 3 * 3卷积核 图像*5 * 5 -> 3 * 3
stride(步长)为2下下采样(类似图像金字塔下采样(down sample))
池化
最大池化及均值池化
1、均值池化
2、最大池化
yolov3
yolov3 9个anchor
yolo-tiny 6个
下采样减小图像尺寸 提取图像深层特征
通过3*3卷积核 stride=2卷积提取
res add不改变维度
concat改变维度
y1,y2维,y3度由来
yolo v3设定的是每个网格单元预测3个box,所以每个box需要有(x, y, w, h, confidence)五个基本参数,然后还要有80个类别的概率。所以3×(5 + 80) = 255[1]
对于一个416416的输入图像,在每个尺度的特征图的每个网格设置3个先验框,总共有 (1313 + 2626 + 5252) *3= 10647 个预测。每一个预测是一个(4+1+80)=85维向量
参考连接
[1]https://blog.csdn.net/litt1e/article/details/88907542