一、目标检测之YOLOv3
YOLOv3: An Incremental Improvement
- 论文链接：https://arxiv.org/abs/1804.02767
- 论文翻译：https://zhuanlan.zhihu.com/p/34945787
- 论文详解：
1、https://blog.paperspace.com/tag/series-yolo/
2、https://blog.csdn.net/gzq0723/article/details/79936613 - 论文代码：
1、https://github.com/pjreddie/darknet
2、https://github.com/mystic123/tensorflow-yolo-v3
3、https://blog.csdn.net/haoqimao_hard/article/details/82109015
二、YOLOv3算法
YOLO V3在Pascal Titan X上处理608x608图像速度达到20FPS，在 COCO test-dev 上 [email protected] 达到 57.9%，与RetinaNet的结果相近，并且速度快了4倍。 YOLO V3的模型比之前的模型复杂了不少，可以通过改变模型结构的大小来权衡速度与精度。 速度对比如下：
YOLO算法的基本思想是：首先通过特征提取网络对输入图像提取特征，得到一定size的feature map，比如13×13，然后将输入图像分成13×13个grid cell，接着如果ground truth中某个object的中心坐标落在哪个grid cell中，那么就由该grid cell来预测该object，因为每个grid cell都会预测固定数量的bounding box（YOLO v1中是2个，YOLO v2中是5个，YOLO v3中是3个，这几个bounding box的初始size是不一样的），那么这几个bounding box中最终是由哪一个来预测该object？答案是：这几个bounding box中只有和ground truth的IOU最大的bounding box才是用来预测该object的。可以看出预测得到的输出feature map有两个维度是提取到的特征的维度，比如13×13，还有一个维度（深度）是B×(5+C)，注：YOLO v1中是(B×5+C)，其中B表示每个grid cell预测的bounding box的数量，比如YOLO v1中是2个，YOLO v2中是5个，YOLO v3中是3个，C表示bounding box的类别数（没有背景类，所以对于VOC数据集是20），5表示4个坐标信息和一个置信度（objectness score）。
改进之处：
- 多尺度预测；
- 更好的基础分类网络和分类器。
多尺度预测
每种尺度预测3个box, anchor的设计方式仍然使用聚类,得到9个聚类中心,将其按照大小均分给3中尺度。
-
尺度1：在基础网络之后添加一些卷积层再输出box信息；
-
尺度2：从尺度1中的倒数第二层的卷积层上采样(x2)再与最后一个16x16大小的特征图相加,再次通过多个卷积后输出box信息，相比尺度1变大两倍；
-
尺度3：与尺度2类似,使用了32x32大小的特征图。
分类器-类别预测：
YOLO V3不使用Softmax对每个框进行分类，主要考虑因素有两个：
-
Softmax使得每个框分配一个类别（score最大的一个），而对于Open Images这种数据集，目标可能有重叠的类别标签，因此Softmax不适用于多标签分类；
-
Softmax可被独立的多个logistic分类器替代，且准确率不会下降。 分类损失采用binary cross-entropy loss。
基础网络 Darknet-53
仿ResNet, 与ResNet-101或ResNet-152准确率接近,但速度更快.对比如下:
YOLO V3网络结构如下：
边框预测:
