YOLO v3 检测原理

YOLO v3文章地址：YOLOv3: An Incremental Improvement  

v3相对于v2的主要改进：

• 1. 特征提取器更深（参考ResNet）
• 2. 多尺度预测 （类似FPN）
• 3. Bounding Box和Loss

1. 特征提取器（分类器）

V3的特征提取器在V2的Darknet-19基础上做了优化，命名为Darknet-53。包含52层卷积层和1个全连接层，加入了多个连续的3×3和1×1的卷积，借鉴了ResNet网络结构，增加直接连接（shortcut connections），并且网络层数达到53层，简易框架：

Darknet53和Darknet19、ResNet在ImageNet上的效果对比：

2. 多尺度预测

在结果的预测上，v2只用了一个尺度，v3使用了3个尺度。分别是一个下采样的，feature map为13*13，还有2个上采样的eltwise sum，feature map为26*26，52*52，也就是说v3的416版本已经用到了52的feature map，而v2把多尺度考虑到训练的data采样上，最后也只是用到了13的feature map，这应该是对小目标影响最大的地方。
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)，在v2中会预测5个bbox。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。

 

3. Bounding Box的预测和Loss

边界框的预测跟V2中一样，仍使用维度聚类方法，先在样本上使用K-means聚类得到Anchor Boxes（v2中使用了5个，v3中使用了9个）。使用逻辑回归而不是Softmax对每个框进行分类，这是考虑到自然场景图像中物体之间重叠很常见，使用Softmax在每一个框上只能给出最大的类别，导致重叠的漏检，使用多个单独的逻辑回归（主要用到了sigmoid函数）预测替代了之前的Softmax分类。