YOLO-V3深度阅读笔记

损失函数

1. coordinate loss
2. class predictions loss
   使用多标签分类损失。（使用 binary cross-entropy loss）
3. objectness loss

默认框和真实目标的匹配策略

1. 与真实目标重叠度最大的默认框为正样本。
2. 与真实目标重叠度大于阈值的默认框为正样本。（Faster RCNN中阈值为0.7，YOLO-V3阈值为0.5）。
3. 每一个真实目标只会指定与一个默认框匹配，其余的框只会有objectness loss（即是否存在物体的损失）

多尺度预测

1. 在三种不同的尺度上进行预测。

评价指标

1. 使用MAP0.5时，yolov3和其他方法差异不大。按照COCO那样的标准，明显的差异就出来了。作者认为从肉眼观察角度上讲，0.5和0.3的重叠差异不大，反对COCO那种评价标准。

尝试了其他策略，发现没效果

1. 采取普通的锚框预测机制，预测锚框相对于真实框中心位置的偏移量（以真实框的w和h，预测值为w和h值的倍数），采取线性激活的方式。w = prediction[..., 2]，预测的pred_w和pred_h，w和h的倍数，不过是取了对数后的。pred_boxes[..., 2] = torch.exp(w.data) * anchor_w pred_boxes[..., 3] = torch.exp(h.data) * anchor_h
2. 采取线性激活的方式来预测x,y的偏移量，而不是逻辑回归激活函数。
3. Focal loss没效果，yolov3将目标存在得分预测和类别预测分开了。（正负样本失衡会得到减轻）。
4. 同Faster RCNN一样，采取两个阈值。

作者对COCO数据的认识

1. MAP指标不恰当。PASCAL VOC数据将阈值设为0.5，这也是为了适应实际标注过程中存在不确定性这一情况。
   2.COCO数据更精确，还有语义分割的标签。COCO的评价指标更强调框的准确性，降低了对分类准确性的重视。但作者认为错误的分类比预测框存在很小的偏移更严重。
2. MAP指标已经被玩坏了，因为其唯一在意的是每一类的结果框排序。（如果某个物体有一个预测正确的框，即使这个物体还没预测为其他类别，而且重合度很高，最终在MAP指标上也不会造成影响）
   
   上图中，上下两个检测器预测结果视觉上看起来差别很大，很明显上一个预测结果更好，但是在MAP指标上，两个检测器的效果是差不多的。
   作者认为现有的MAP检测指标与人们关心的内容差异很大，新的指标应该关注这些差异。

检测任务人们关心的核心
重点：给定一张图片和检测器，检测器在一张图片中，找到物体并正确分类的能力如何？
建议：需要摆脱每一类的AP（per-class AP），做一个global average precision（摆脱类别的依赖），或者对每张图片做一个AP，然后在整个数据集上做平均！