YOLOv3是2018年提出的优化目标检测算法，通过使用独立分类器、空间金字塔结构和darknet-53网络结构，提高了准确率并保持快速运行。论文中介绍了算法的边界框尺寸设置、分类预测、训练方法以及其在不同尺度上的边界框预测。尽管在小尺寸对象检测上有显著改善，但在中等和大尺寸对象上仍存在挑战。
论文背景
论文全称：YOLOv3: An Incremental Improvement
论文链接：https://arxiv.org/abs/1804.02767
论文日期：2018.4.8
本文对YOLO进行了优化，设计了一个新的神经网络，这个神经网络的结构更复杂，但是准确率更高。并且也很快，使用320 × 320的输入，运行速度为22ms，运行准确率为28.2mAP。运行速度比SSD快3倍。
创新点：
- 使用独立的逻辑分类器代替softmax算法；
- 使用空间金字塔结构预测边界框；
- 设计了darknet-53神经网络结构。
算法简介
边界框的尺寸设置：
与YOLOv2相同，使用维度聚类的方法来预测边界框，每个单元格预测3个尺寸；
在训练期间，我们使用平方误差损失的总和。假设对于一些坐标预测的值是tˆ∗ ，梯度就是由ground truth box计算出的ground truth的值减去预测值：t
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
