文章目录
一、论文相关信息
1.论文题目
YOLOv3: An Incremental Improvement
2.论文时间
2018年
3.论文文献
4.论文源码
pytroch
二、论文背景及简介
YOLO v3没有太多创新，只是将一些别的地方的比较好的点融合到了YOLO v2里面，使得YOLO v2获得了比较好的提升。YOLO v3主要在三个方面对YOLO v2进行了改进。
- 利用多尺度特征进行对象检测
- 修改了基本网络结构
- 对象分类用Logistic取代了softmax。
同时，作者把该篇论文当作技术报告来写，emmmm，画风很…搞笑。
三、YOLO v3的一系列改进
1、Predictions Across Scales（多尺寸特征）
我们知道YOLO v2以及之前的版本都是对下采样32倍后的特征图进行操作。同时，为了实现细粒度检测，作者将前两层预测出来的特征图连接到了输出上。作者正是在这方面拓展，分别对下采样16倍以及下采样8倍的特征图动手。
我们先来梳理一下，假设输入为416 * 416，则相应的下采样32倍、16倍、8倍的特征图分别是(13,13),(26,26),(52,52)。
当按YOLOv2的网络结构，获得(13,13)的特征图后，对该特征图进行上采样得到(26,26)的特征图，同时将前面生成的(26,26)的特征图加到该特征图上，这样便实现了YOLO v2的passthrough，加强了细粒度检测。同理，再次上采样得到(52,52)的特征图，再把网络前面的(52,52)的特征图加上。那么，我们最后，就获得了三个大小的特征图（(13,13),(26,26),(52,52)），
然后，我们分别再三个特征图上进行正常的处理（检测框的预测）
但要注意的是，YOLO v2中对特征图进行预测时，是由piror anchor的，那么我们不同大小，不同细粒度的三个特征图该如何选择anchor呢？
作者通过K均值聚类，这次设K=9，分别在三个尺寸（大中小）上选取不同的尺寸。最终作者得到的尺寸为(10×13),(16×30),(33×23),(30×61),(62×45),(59×119),(116×90),(156×198),(373×326)。正好用在三个不同的特征图上。
当然，由于(13,13)的特征图下采样32倍，感受野大，因此能够预测大物体的可能性大，因此使用三个大的anchor来对该特征图处理。(26,26),(52,52)的依次选择中、小的anchor。
该方法极大的解决了YOLO v2对小物体预测难的问题。看一下实验结果数据。
2、Feature Extractor
作者借鉴了流行的resNet的思想，给原来的darkNet添加了残差连接，并将网络扩大到了53层，极大的提高了精确度。
3、Class Prediction
还有一个问题就是，有些数据集中图片的标签有多个，比如女人和人。而softmax基本默认为单标签输出，因此使用Logistic 来代替softmax来实现多标签分类。
四、实验结果
在精度上比SSD高，且时间比SSD快三倍
五、优缺点
根据实验结果，我们可以可以看到YOLO v3相比于YOLO v2极大的提高了精度，但相比于RetinaNet。精度还是不行，不过速度很快。
相比于YOLO v2，可以看到YOLO v3极大的提高了小物体预测的精度。