又是被自己菜醒的一天
背景
概况
- yolov3相对于v2的提升版本
- 使用dimeansion分簇来得到anchor boxes
- 每个框预测多标签的类别的时候使用2类的交叉熵作为损失函数
- 跨图像规模的预测，即隔一段时间resize输入图像的大小
- 特征提取网络结合了resNet的思想加入了shorcut，有53个卷积层。
方法
1. bounding box预测
其中tx，ty，tw，th分别为网络预测层输出的框(
的中心横坐标，纵坐标，框的宽度，框的高度，不对应该只是一个网络的输出并不是上述的含义,这个应该是借鉴faster RCNN的，等看了那篇论文再来解释，ok，上述第二图为解释tx,ty,tw,th的由来，截取自YOLOv2 论文笔记)作者这边不是用的这个方法计算的框的x和y，而是预测相对网格cell的位置，并且通过逻辑斯蒂归一化；pw，ph为先验框（anchor boxes）的宽度和高度；cx，cy为预测中心点所在cell相对图片左上角点的偏移；通过上图公式将预测输出最终转换为框的中心点左边bx，by，框的宽度和高度bw，bh如果一个先验框并不是最好的但是其覆盖ground true超过一定阈值，论文中取的是0.5，则忽略这个预测结果且不计算进损失中
2. 类预测
- 每个框可能需要预测包含多标签的类，论文中没使用softmax而是用的独立的逻辑斯蒂分类。因为使用softmax的前提假设是一个框中只包含一个类，而现实情况并不是这样的。
3. box的跨尺度预测（针对之前yolo小目标检测不到的诟病）
yolov3在三个尺度上做预测
参考的FPN（特征金字塔）网络，下图引自FPN最新的目标检测算法。每种尺度预测三个box，anchor的设计方式仍然使用聚类的方法得到9 个聚类中心，再将其按照大小均分给3种尺度。尺度1：在基础网络之后添加一些卷积层再输出box信息；尺度2：从尺度1中的倒数第二层的卷积层上采样再与最后一个16×16大小的特征图相加，再次通过多个卷积层后输出box信息，相比尺度1变大两倍；尺度3：与尺度2类似使用了32×32大小的特征图。可以参考网络结构定义文件yolov3.cfg。
把高层特征做2倍上采样（最邻近上采样法），然后将其和对应的前一层特征结合（前一层要经过1 * 1的卷积核才能用，目的是改变channels，应该是要和后一层的channels相同），结合方式就是做像素间的加法。重复迭代该过程，直至生成最精细的特征图。
论文使用kmean获得先验anchor boxes
4. 特征提取
- Darknet53,53个卷积层，加上shorcut，下图为其网络结构
5. 训练
- 训练方法和yolov2相同，多尺度（隔一段epoch改变输入的图片大小，有小有大），BN等
性能及总结
性能
总结
- 改进后的yolov3能够更好的检测小目标（引入了跨尺度预测），但是相对的中中等及大尺寸的目标效果有所降低
- 其他都很好哇，666