Title: YOLOv3: An Incremental Improvement(2018)
Link: Paper Website
Tips:
- YOLOv3 的改进有哪些，模型融合形成新网络
Summary:
YOLOv3 在 YOLOv2 基础上做了一些小改进，文章篇幅不长，核心思想和 YOLOv2、YOLO9000差不多。
但是这些小改动确带来了不错的性能提升，改动包括为边界框预测分数，多标签分类，预测多尺寸的边界框，替换骨干网络。
论文目录
Abstract
YOLOv3 相比 YOLOv2 检测更准了，而且速度仍然很快。
YOLOv3 在320×320 的图像分辨率上取得了 28.2 mAP，速度在22毫秒内，与SSD一样准确，但速度提高了三倍。
1. Introduction
这是一段风格清奇的 introduction，作者说他比较忙没有太多时间改进 YOLO，但一个项目需要引用 YOLO，所以他对 YOLO 做了一些小改动，这篇论文其实是一篇技术报告，技术报告不需要introduction，所以这部分写得很随意。
报告剩下的部分为：
- YOLOv3 的改进
- 实验结果
- 尝试的一些没效果的做法
- 总结
2. The Deal
如何改进：参考别人的 good idea，训练一个更好的分类器。
2.1. Bounding Box Prediction
继续采用 YOLO9000 使用 anchor box 预测 bounding box 的方法（参考：目标检测中的Anchor）。
YOLOv3 使用逻辑回归为每个边界框都预测了一个分数 objectness score，打分依据是预测框与物体的重叠度。如果某个框的重叠度比其他框都高，它的分数就是 1，忽略那些不是最好的框且重叠度大于某一阈值（0.5）的框。
2.2. Class Prediction
和 YOLOv2 一样，YOLOv3 仍然采取多标签分类（multilabel classification），因为标签有重叠，比如人和女人。训练中为每个类使用独立的逻辑分类器，使用 binary cross-entropy loss 。
2.3. Predictions Across Scales
YOLOv3 检测时会预测三个尺寸的检测框。因此，卷积层最后输出三维的边界框（4 个偏移量），分数（1个）和类别（80个），所以输出的向量为 N×N× [3 ∗ (4 + 1 + 80)]。
再说一下 k-means 聚类中心当作参考框，我们只是随意选择了9个聚类和3个比例，然后将这些聚类在各个比例之间平均分配。
2.4. Feature Extractor
特征提取使用了新网络。它是 YOLOv2 的 Darknet-19 和残差网络的一个混合网络。它使用了连续的 3×3 和 1×1 卷积层以及 shortcut connections，最后有 53 个卷积层，姑且称为 Darknet-53。
在 ImageNet 和这些网络比较，可以看出 Darknet-53 分类比较有效。
3. How We Do
YOLOv3 在 COCO 数据集上的表现和分析如下：
和 SSD 比性能差不多，但速度快 3 倍。从性能看， YOLOv3 和 RetinaNet 这样的模型还有一些差距。
单看 AP50 这个指标（IOU=0.5），YOLOv3 快追上 RetinaNet，远在 SSD 及它的其他版本之上，这体现了 YOLOv3 的潜力。但看其他指标，当 IOU 要求变高 YOLOv3 的性能变低，这说明模型还需要解决对齐的问题。
YOLO 以前的版本检测小物体不理想，但看 YOLOv3 的 APs 指标相对较高，这说明多尺寸训练比较有效。但 APm 和 APL 相对较差。
4. Things We Tried That Didn’t Work
为改进模型的其他没效果的尝试：
Anchor box x, y offset predictions
使用线性激活函数将 x，y 的偏移量预测为框宽度或高度的倍数。
Linear x, y predictions instead of logistic
使用线性激活来直接预测x，y偏移量，而不是逻辑回归。
Focal loss
另一种损失。→ 参考
Dual IOU thresholds and truth assignment
模仿 Faster R-CNN，在训练中使用两个 IOU 阈值。
5. What This All Means
这部分是 conclusion 和 discussion。
YOLOv3 是一个又准又快的目标检测器，实验证明它比 YOLOv2 性能提升不少。
根据实验，YOLOv3 的 AP 在 IOU 为 0.5 到 0.95 的情况下表现不太好，但在 IOU 为 0.5 的情况下表现不错。
