目标检测之YOLOV3解读

YOLOv3：An Incremental Improvement 解读，入门小白，若博文有不妥之处，望加以指点，笔者一定及时修正。
YOLOV1解读：(https://blog.csdn.net/qq_33948796/article/details/88538940)
YOLOV2解读：(https://blog.csdn.net/qq_33948796/article/details/88561542)

---

---

YOLOV1解读：(https://blog.csdn.net/qq_33948796/article/details/88538940)
YOLOV2解读：(https://blog.csdn.net/qq_33948796/article/details/88561542)

---

① 前言

首先介绍一下YOLO整个系列的算法思路：通过卷积神经网络对 $inputimage$ 提取特征，很多层，每个层都得到一定尺寸的 $featuremap$。比如YOLOV2输入 416x416 分辨率的时候，最后一层的输出是 $416/32=13，13X13$。然后将输入图像分成 13x13 个网络格子。然后如果 $groundtruth$中的某个目标的中心点落在哪个格子里面，该格子就负责预测这个目标。每个 $gridcell$ 预测的 $boundingboxes$的数目的一定的（YOLOV1的数目是2，YOLOV2的数目是5，YOLOV3的数目是3，但是这几个 $boundingboxes$ 的初始大小不一样）。而固定数量的 $boundingboxes$里面哪一个才真正的来预测目标呢？论文中是这样处理的：这几个 $boundingboxes$ 里面与 $groundtruth$ 的 IOU最大的那个才是真正用来预测该 $object$。一个维度是最后的特征图，如 YOLOV2的 13x13，还有一个维度是深度，是 $B\ast (5+C)$。这边 B 是每个格子的预测框数，5 代表框的坐标和置信度，C表示预测的类别数。YOLOV1，YOLOV2，YOLOV3里面的 B 和 C是不一样的，详细可以参考我前面的博客。
这边给出三个网络结构图，主要参考：这位大牛的。
YOLOV1的网络结构图：

---

YOLOV2的网络结构图：

---

YOLOV3的网络结构图：

---

② YOLOV3论文翻译

摘要

emmmmmm…不重要，跳！

---

1、引言

emmmmmm…也无关重要，再跳！

---

2、YOLOV3内容

2.1 Bounding Box Prediction

YOLOV2使用维度聚类作为$Anchorboxes$来源来预测边界框（YOLOV2论文提及了可以人为地设定 $Anchorboxes$ 的面积和大小，后面介绍了聚类可以给更有效的开始，详细可以参考我的博客）。YOLOV3跟YOLOV2一样，还是使用维度聚类进行选择 $Anchorboxes$。同时，YOLOV3使用 $Logisticregression$ 来预测每个边界框里面对象的分数，用来区分对象和背景。当某个 $boundingbox$ 与 $groundtruth$ 的 IOU大于其他所有的 $boundingbox$时，$target$ 值赋1；如果某个 $boundingbox$ 不是 IOU最大的那个，但是 IOU 也大于了某个阈值，那么忽略这个框，既不惩罚也不奖励。对每个$groundtruth$只分配一个最好的 $boundingbox$ 与其对应。如果某个 $boundingbox$ 没有与任何一个 $groundtruth$ 对应，那么这个框对边框位置大小的回归和类别预测没有帮助，只会惩罚他的 $objects$，试图减小他的 $confidence$。

2.2 类别预测

YOLOV3不使用 $softmax$ 对每个框进行分类，因为 $softmax$ 使每个框分配一个类别（得分最高的一个）。而很多东西是重叠的标签，比如预测的是女生，也属于人这一个类别，属于多标签问题，而 $softmax$ 不适合多标签分类。因为 $softmax$ 强加一个假设，使得每个框只包含一个类别。逻辑回归层主要用到sigmoid函数，该函数可以将输入约束在0到1的范围内，因此当一张图像经过特征提取后的某一类输出经过sigmoid函数约束后如果大于0.5，就表示属于该类。 所以 $softmax$ 可被独立的多个 $Logistic$ 分类器代替，且准确率不会下降。分类损失使用二元交叉熵损失函数。

2.3 多尺度预测

这一部分主要参考：这位大牛的。
YOLOV2里面有一个层叫做：$passthroughlayer$ 。最后的 $featuremap$ 的 $size$ 是 13x13。这个层的作用：将前一个 $pooling$ 层和本层进行 $concat$，类似于 $ResNet$，目的也是加强对小目标的检测。而在YOLOV3中，采用了 $upsample$ 和融合，YOLOV3里面融合了3个 $scale$，三个尺寸为：13x13，26x26，52x52。 在多个 $featuremap$ 做检测，

结合上图看，卷积网络在79层后，经过下方几个黄色的卷积层得到一种尺度的检测结果。相比输入图像，这里用于检测的特征图有32倍的下采样。比如输入是 416x416 的话，这里的特征图就是 13x13 了。由于下采样倍数高，这里特征图的感受野比较大，因此适合检测图像中尺寸比较大的对象。 为了实现细粒度的检测，第79层的特征图又开始作上采样（从79层往右开始上采样卷积），然后与第61层特征图融合（Concatenation），这样得到第91层较细粒度的特征图，同样经过几个卷积层后得到相对输入图像16倍下采样的特征图。它具有中等尺度的感受野，适合检测中等尺度的对象。 最后，第91层特征图再次上采样，并与第36层特征图融合（Concatenation），最后得到相对输入图像8倍下采样的特征图。它的感受野最小，适合检测小尺寸的对象。

这篇博客里面网络结构图也很通俗易懂，大牛叙述的很棒，参考链接在下面：YOLOV3结构图。

YOLOV3为每个特征图聚类3种尺寸的先验框，那么一共有9个先验框。下面简单的看一下9种先验框的尺寸。

红色的为格子，黄色的为真实框，蓝色的为聚类的先验框。

2.4 网络结构

$Darknet-53$ ，感觉只有 $Debug$ 时候才会理解！
余下的跳过。。。。。

---

③ 总结

1、网络结构使用了类似的金字塔网络；
2、用 $Logistic$ 代替 $softmax$ ;
3、网络结构；
4、有了YOLOV3，不用提YOLOV2,和YOLOV1。但是还是需要从V1,V2一步一步来理清！
5、YOLOV3的不足，当IOU > 0.5时，$map$后劲不足！

---

嘿！最近在调试YOLOV3的代码，哎，估计个把月才能弄懂源码，科研真难受！github上面见，敬请期待！

---

④主要参考：

1、https://zhuanlan.zhihu.com/p/47575929
2、https://zhuanlan.zhihu.com/p/46691043
3、https://blog.csdn.net/u014380165/article/details/80202337
4、https://www.jianshu.com/p/d13ae1055302
5、YOLO官网：YOLO: Real-Time Object Detection
6、论文链接：https://pjreddie.com/media/files/papers/YOLOv3.pdf
7、Youtube：https://www.youtube.com/watch?v=MPU2HistivI
8、知乎话题：如何评价YOLOv3: An Incremental Improvement？