（四）YOLO-V3网络架构（※）

        YOLO-V3在网络架构上进行了很大程度的修改，特征提取、先验框以及softmax分类都做了改进，效果极佳，可以称为YOLO系列的巅峰巨作

（1）多scale先验框（多尺度预测）

        在V2中为了解决小目标检测的问题，采用特征融合的方式进行改善。在V3中引入3个不同scale，每种scale设置3个不同的先验框，3个scale分别适用于不同大小的特征图，比如较大的特征图的感受野较窄，那么对应较大scale的先验框，就能对小目标进行更好的检测

         对于不同的scale，预测的方式有两种。左图为对不同的scale（可以理解为不同大小的特征图层）分别进行预测，即独立地预测大、中、小目标；右图进行了特征融合的工作，比如对于26*26的特征层，将13*13的特征层进行上采样变成26*26，再与26*26的特征层融合，再进行预测任务。很明显第二种方式比较科学，V3版本中采用的就是这样的特征融合。

（2）残差连接

        在神经网络各层的连接中，V3借鉴了ResNet中的思想，添加了残差连接机制。主要起到的就是防止随着网络迭代的深度，训练效果变差的作用。

 （3）整体网络架构

• 使用卷积层代替池化层和全连接层
• 采取stride为2的下采样对特征进行resize
• 对不同的特征图进行融合

  （4）softmax层改进

        V2中的softmax层最终输出结果只能表示是/不是某个物体，而V3中使用logistic激活函数实现，可以得出每个类别的可能性，大于某个阈值时即可判定属于，从而实现多标签检测。