ターゲット検出のためのYOLOv3アルゴリズムの分析

基本的

フィーチャネットワーク

入出力
入力$416\ast 416\ast 3\; つ$のサイズの画像 (一意ではありませんが、画像サイズは 32 の倍数である必要があります)、それぞれ 3 つのスケールの出力特徴マップ$13\ast 13\ast 255$，$26\ast 26\ast 255$，$52\ast 52\ast 255$、つまり$13\ast 13、26$ ∗26 26*26$26\ast 26、52$ ∗$52\ast 52\; 個の$グリッド セル。
各グリッド セルは 3 つのアンカーを生成します。各アンカーは予測ボックスに対応します。各予測ボックスには$5+80$个パラメータ，$\{（x、よ、ｗ、ｈ、c）、80種類のクラス\}\_\_\_\_\_\_$

出力分析
(この写真はZhihu)

$13\ast 13\ast 255$，$26\ast 26\ast 255$，$52\ast 52\ast 255\; は$それぞれ大、中、小のオブジェクトを予測します。
$13\ast 13\ast 255\; は$32 回のダウンサンプリングによって得られた特徴です;
$26\ast 26\ast 255\; は$16 倍のダウンサンプリングで、$13\ast 13$ワンタイムアップサンプリングを組み合わせて得られる特徴;
$52\ast 52\ast 255$は 8 回ダウンサンプリングされ、$26\ast$1 回のアップサンプリングを組み合わせて得られる$26\; 個の特徴。$

ポジティブ サンプルとネガティブ サンプル: ポジティブ
サンプルは、アンカーとリアル ボックス間の IOU が指定されたしきい値および最大 IOU より大きいアンカーです。ネガティブ サンプルは、
アンカーとリアル ボックス間の IOU が指定されたしきい値より小さいアンカーです。

損失関数は、
正のサンプルの場合は座標損失、信頼損失とカテゴリ損失、および負のサンプルの場合は信頼損失で構成されます。
$$\begin{gathered} {私}_{コーディネート}\sum _{i=0}^{S^{}}\sum _{J=0}{1}_{私、j}^{ああ}[(b_{}-b_{}{)}^2+(b_{}-b_{}{)}^2+(b_{}-b_{}{)}^2+(b_{}-b_{}{)}^2] \\ +\sum _{i=0}^{S^{}}\sum _{J=0}{1}_{私、j}^{ああ}[-log(p_{})+\sum _{i=1}紀元前(c_{}、c_{})] \\ +l_{いや}\sum _{i=0}^{S^{}}\sum _{J=0}{1}_{私、j}^{いや}[-log(1-p_{})] \end{gathered}$$
$S^2$はグリッド セルの総数、$B$は、各グリッド セル内のアンカーの数です。
1 行目は、陽性サンプルの座標損失と実際のフレームの座標損失を計算し、2 行1 i , jobj 1_{i,j}^{obj}
の信頼性とカテゴリ損失を計算します。$1_{私、j}^{ああ}$陽性サンプルかどうかを示します; $-log\left(p_{}\right)$、$p_{}$1に近づくほど、$-log\left(p_{}\right)$は 0 に近く、カテゴリ損失では、検出された 80 個のカテゴリごとに、バイナリ エントロピー損失演算が実行されます。
3 行目は、負のサンプルの信頼性損失です。$-log(1-p_{})$ PC p_c内$p_{}$0に近いほど式が小さくなり、0に近づきます。

パフォーマンス