论文阅读——YOLOv3: An Incremental Improvement

最新推荐文章于 2023-01-25 22:35:49 发布
最新推荐文章于 2023-01-25 22:35:49 发布
阅读量389 收藏 1
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_44012382/article/details/107958914
版权

前言

之前有一段时间看了挺多深度学习方面的论文，但是由于时间方面的问题一直没来得及进行总结。最近一段时间突发奇想把自己看论文时的学习笔记给记录一下，由于之前没写过博文，所以排版可能会有点emmm...一言难尽。专业方面的知识，如果有理解不到位的地方欢迎各位大佬指教。

1、Abstract和Introduction

  • YOLOv3网络在目标检测的速度和精度方面都有所提升。
  • YOLOv3能在22ms内完成320×320大小的图片的处理，并取得28.2mAP的成绩。其精度和SSD相当，但速度要快上3倍。
  • 在Titan X环境下使用0.5 IoU mAP检测标准进行衡量，YOLOv3的检测精度为57.9 AP50，用时51ms。

2、The Deal

2.1、BBox预测

  • YOLOv3仍是使用dimension clusters固定anchor box来选定BBox。具体的操作就是，在特征图上会生成许多个anchor box(锚点框)，通过移动锚点框的位置和改变其大小来获得BBox。神经网络会为每个锚点框预测4个参数：t_{x}，t_{y}，t_{w}，t_{h}，假设锚点框的坐标为\left ( c_{x} , c_{y}\right )，宽和高为p_{w}，p_{h}，则根据锚点框和生成的4个参数可以预测出BBox的4个参数b_{x}，b_{y}，b_{w}，b_{h}，具体公式如下图中所示。
根据锚点框的坐标和神经网络生成的4个参数可以预测BBox的坐标
  • 在训练时使用了方差损失，假设ground truth的坐标为t*(神经网络输出的那四个参数)，预测框BBox的坐标为\widehat{t}*，则梯度为\widehat{t}*-t*。
  • YOLOv3用Logistic回归预测每个边界框的objectness score(物体置信度)，如果预测框BBox比之前的更好地与ground truth重合则分数就是1。如果当前的预测不是最好的，但其与ground truth的IoU值超过0.5，则网络会自动忽略该预测框。

2.2、分类预测

  • 由于同一个BBox中可能包含了重叠的目标，YOLOv3使用了单独的Logistic分类器而非softmax对BBox中的物体进行分类。
  • 在训练时使用二元交叉熵损失来预测物体类别。

2.3、不同面积物体检测

  • YOLOv3有三种不同面积的anchor box(锚点框)，每种面积的锚点框具有3种不同的长宽比。所以网络输出的张量大小为N \times N \times[3\times\left ( 4+ 1+ 80 \right )]，其中4为上文提到的锚点框的4个参数：t_{x}，t_{y}，t_{w}，t_{h}，1为判定该BBox框中是否存在物体，80为80个分类的置信度。
  • YOLOv3为了提取浅层特征，将早期的特征图和后期的特征图做了连接，具体的操作方式可以从网上找一张YOLOv3的网络结构图来看，一目了然。

2.4、特征提取器(主干网络)

  • YOLOv3网络使用的主干网络为Darknet-53。
Darknet-53网络的主要结构
  • 在GPU为Titan X，输入为256×256图片的环境下，作者对几个特征提取网络进行了单精度测试。得出的结论是Darknet-53网络的浮点运算更少，速度也更快，同时精度可以和最先进的分类器相媲美。
几个特征提取网络的性能

 3、How We Do

这一部分主要是展示YOLOv3和其他主流目标检测网络在不同精度测量标准下的性能比较。

4、尝试过但没有效果的东西

  1. Anchor box坐标的偏移预测
  2. 使用线性方法预测x,y，而不是使用Logistic方法
  3. Focal loss
  4. 双IOU阈值和真值分配​​​​​​​
雨•人
关注
YOLOv3: An Incremental Improvement
MR CODER
11-06 175
摘要 （1）比V2体积更大，精度更高，但是速度仍有保障 （2）输入320/*320的图片后，v3能在22ms内处理完成，并取得28.2mAP，精度和SSD相当，但速度快上3倍。 介绍 更新 2.1边框预测 V3用逻辑回归预测每个边界框的objective score。如果当前预测的边界框比之前的更好的与ground truth对象重合，那他的分数就是1，如果当前的预测不是最好的但是和ground ...
【YOLOv3】《YOLOv3：An Incremental Improvement》
bryant_meng
02-25 358
arXiv-2018 TECH REPORT 部分整理参考 YOLO：YOLOv1,YOLOv2,YOLOv3,TinyYOLO，YOLOv4,YOLOv5详解 文章目录1 Advantages / Contributions2 Method2.1 Bounding Box Prediction2.2 Class Prediction2.3 Predictions Across Scales2.4 Feature Extractor3 Experiments4 Rebuttal5 补充 1 Adv..
yolov3:an incremental improvement
liguandong
12-23 1528
【论文解读】Yolo三部曲解读——Yolov3 - 知乎2021.3.31更：最近用同样的画图和讲解风格，解读了下Transformer的结构和原理，不管是搞cv还是nlp，Transformer的地位越来越高了。欢迎捧个场： Algernon：通过极简翻译模型Demo，彻底理解Transformer2020.10.30更…https://zhuanlan.zhihu.com/p/76802514目标检测正负样本区分策略和平衡策略总结(一) - 知乎0 简介本文抛弃网络具体结构，仅仅从正负样本区分和正负样本
论文翻译——YOLOv3: An Incremental Improvement
b_dxac的博客
09-28 448
摘要 翻译： 我们向YOLO提供一些更新!我们做了一些设计上的小改变来让它更好。我们还训练了这个非常棒的新网络。它比上次大了一点，但更准确。不过它还是很快的，别担心。在320×320 YOLOv3运行在22 ms 28.2 mAP，与SSD一样准确，但三倍快。当我们看旧的。5 IOU地图检测度量YOLOv3是相当好的。它在Titan X上实现57.9 AP50in 51 ms，相比之下，RetinaNet的57.5 AP50in 198 ms，性能类似，但更快3.8倍。和往常一样，所有代码都可以在线访问
卷积神经网络——YOLOv3论文翻译
itlilyer的博客
08-02 1203
论文链接：https://arxiv.org/abs/1804.02767 YOLOv3: An Incremental Improvement Abstract (摘要) 我们提出了一些对YOLO的升级！我们做了一些小的设计修改来使它更好。我们同样训练了该新网络，它的表现非常不错。它比上一个版本大一点但是精度更高。别担心，它仍然足够快。使用320x320的输入时YOLOv3的执行速度为22ms得到mAP为28.2，与SSD精度一样高但是速度快了三倍。如果看老的检测指标——0.5IOU的mAP，YOLOv3
卷积神经网络——YOLOv4论文翻译
itlilyer的博客
10-20 2543
论文链接：https://arxiv.org/abs/2004.10934 YOLOv4: Optimal Speed and Accuracy of Object Detection Abstract 有大量的特性都自称可以提升卷积神经网络(CNN)的精度。仍然需要在大数据集上实际测试这些特性的组合并对结果进行理论证明。一些特性只能应用在特定模型上，或针对特定问题，或只应用与小尺度的数据集；另一些特征，像BN和残差连接可以应用到大部分的模型、任务和数据集上。我们假设通用的特征包括加权残差链接(WRC),跨
Yolov3模型——pytorch实现
Peach_____的博客
01-25 709
【代码】Yolov3模型——pytorch实现。
目标检测 YOLO 系列： 持续改进 YOLO v3
生命在于折腾！
08-01 999
目标检测 YOLO 系列： 持续改进 YOLO v3 作者：Joseph Redmon, Ali Farhadi 发表时间：2018 Paper 原文： YOLOv3: An Incremental Improvement（严格来说，这并非是一篇学术论文，因为没有正式发表，作者行文也比较潇洒） YOLO v3 最大的特点是精度不错，但是速度飞快，并且对小目标的效果也有提升。320x320 YOLO v3 精度和 SSD321 差不多，但是速度是 SSD321 的三倍。凭借卓越的性能，YOLO v3 在工业界
YOLOv3： An Incremental Improvement
weixin_43692212的博客
03-06 261
Abstract 我们向YOLOv3提供了一些更新！我们在设计上做了些小变动使它变得更好。我们另外训练了更棒的新网络。它和过去的相比有一点大，但是精度更高。它仍然很快，别担心。用320*320在YOLOv3运行22 ms得到了28.2的精度，相比使用SSD精度更好但是速度快三倍。当我们看以前在0.5 IOU mAP检测标准YOLOv3表现是相当好的。他在Titan X实现了在51 ms 得到57....
yolov3: an incremental improvement
最新发布
03-16
YOLOv3是一种物体检测算法，它是YOLO系列算法的第三个版本。相对于前两个版本，YOLOv3做出了一些增量改进，从而在精度和速度上都有了提升。 YOLOv3的主要改进之一是使用了Darknet-53网络作为其特征提取器，该网络...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值