题目：Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty
作者：Jiwoong Choi , Dayoung Chun, Hyun Kim , Hyuk-Jae Lee
githud：https://github.com/jwchoi384/Gaussian_YOLOv3
在目标检测的落地项目中，本文通过高斯分布的特性，改进YOLOv3使得网络能够输出每个检测框的不确定性，从而提升了网络的精度，这篇文章优秀的地方在于提出了针对于bbox可靠性的想法，想到了用高斯模型来评估bbox坐标的可靠性，提出了一种新的计算bbox的loss
模型结构：
基于yolov3：
对于输出feature，每个点输出3×（（tx, ty, tw, th）+ obj_score + class_score）个信息。其中3表示每个位置预设3个anchors，obj_score包含了是否包含目标的可靠性信息， class_score包含了类别的可靠性信息，唯独关于bbox，我们仅有关于坐标的相关信息tx, ty, tw, th，但这些坐标信息并不能表示该bbox的可靠性。基于此，文章提出了将高斯模型用到bbox的坐标预测上，通过高斯模型的标准差来估计坐标信息的可靠性。输出Bounding box的四个坐标、Objectness score和Class scores
高斯模型：
bounding box输出的四个坐标分别添加一个高斯分布，得到对应输出为：
其中μ代表均值，∑代表标准差，但这里还不是严格意义上高斯模型要用到的均值和标准差，需要做如下变换：
重构损失函数：
bbox loss:
GT值的计算如下：
其他的地方和YOLOv3基本一样，不同的是在阈值的计算上，criterion变成了：
结果：
在KITTI和BDD上验证结果：
