深度学习系列之YOLOv3 个人总结

前几天YOLOv3问世了，朋友圈也是很多同学转发，很兴奋，当然我也是。所以，先是直接上手体验了一下darknet53，今天把paper看了，做个总结。

1. BBox Prediction

与YOLOv2一样，YOLOv3也是在feature map上对每个位置进行bbox预测。图中，t为预测值，但是，注意这些值都是相对当前grid的相对值，分别是(tx,ty,tw,th)。最终的预测bbox为：bx,by,bw,bh，这是在image的bbox。

其实，上面的都是和YOLOv2一样啦(除了YOLOv2输出的t是5个)，下面才是new version的亮点。

3个尺度的feature map

如图，在每个detection前，尺度都不同(23x23,46x46,92x92)。这里用到了上采样。(可以提供更多的语义信息和细粒度特征)。
这里的操作类似于FPN(feature pyramid network)。
在YOLOv3中，我们的anchor由5个变为9个，当然，也是由K均值产生的。每个尺度分配3个anchor。其中每个尺度下每个位置预测3个bbox(4个位置输出+1个objectness+C个类别的分数)。所以每个位置输出(1+4+C)*3个值，这也就是训练时yolov3.cfg里的filter的数量。这也就是每个尺度张量的深度。

2. 网络结构

53个卷积层，称为darknet53，类似于ResNET，但速度完爆ResNET。

3. 一点问题

论文中提到YOLOv3在AP50和小目标上表现都不错，但AP75表现就比较乏力。说明随着IoU的升高，YOLOv3预测的bbox不能很好的与GT相重叠。