YOLOv3

YOLOv3

YOLOv3仅使用卷积层，使其成为一个全卷积网络（FCN），提出一个新的特征提取网络：Darknet-53。

Key Knowledgeable：

输入416×416图像，先使用DBL(Conv+BN+Leaky RELU)和1、2、8、8、4个残差块提取特征，在每层之间进行2倍下采样（步长为2的卷积），最后得到3个scale的52×52、28×28、13×13的特征图（Stride分别为32、16、8）

每个scale的特征图进行预测：

1. 对13×13的特征图的每一个cell预测3个box，每个box85个信息（坐标偏移xywh+框置信度+80个分类的概率）:1313385=1313*255
2. 对26×26的特征图与13×13的特征图上采样之后拼接然后每一个cell预测3个box:2626255
3. 对52×52的特征图与26×26的特征图上采样之后拼接然后每一个cell预测3个box:5252255

为不同scale的特征图cell设定的anchor先验框（kmean聚类得到）：

边界框维度变换：网络输出的tx,ty,tw,th与anchor结合得到预测的框

输出处理：通过阈值过滤、NMS在生成的10647((5252+2626+13*13)*3)框选择分数最高的框作为对应类别的结果。

YOLO与SSD类似的地方：都是不断卷积，获得不同尺度的特征图，对不各个特征图设置anchor box，然后预测偏移量与类别概率。而与Fatser R-CNN的固定尺寸feature map使用滑动窗口设置anchor在核心思路还是有着明显的不同的。
而YOLOv3与SSD也是有着不同：SSD直接使用正常卷积生成多尺度feature maps只在每个feature map做预测实现多尺度预测，而YOLOv3通过多个残差块实现深层卷积，并且每个小尺度的feature map也会做上采样与大尺度的feature map进行连接。