【Deep Learning】YOLOv3: An Incremental Improvement 原理

yolo_v3 发布了，由于今年找工作，最近才又好好的看了一遍，这里记录一下这篇论文的大概原理。

1. 综述

as accurate as SSD but three times faster.

因此总的来说，这是现阶段一种非常好的目标检测方案，尤其是在应用到实际项目中的时候，往往对网络的实时性具有比较高的要求，因此大多数时候会考虑这种实时性效果比较好的方案。

2. 改进方案

2.1 Bounding Box Prediction

在 bounding box 的坐标预测方式上 yolo_v3 还是延续了 yolo_v2 的方法，也就是依然使用下面这个公式进行计算：
$b_x=\sigma(t_x)+c_x\\ b_y=\sigma(t_y)+c_y\\ b_w=p_we^{t_w}\ \ \ \ \ \ \ \\ b_h=p_he^{t_h}\ \ \ \ \ \ \ \ \$
上面的公式中， $t_x,t_y,t_w,t_h$ 也就是模型的预测输出，其中 $c_x,c_y$ 表示 grid cell 的坐标，比如某层的feature map大小是13*13，那么grid cell就有13*13个，第 0 行第 1 列的 grid cell 的坐标 $c_x$ 就是 0， $c_y$ 就是 1。 $p_w,p_h$ 表示的是预测前bounding box 的 size， $b_w,b_h$ 就是预测得到的 bounding box 的中心坐标和 size，对于上述的坐标回归使用的损失函数是平方误差损失。(如果一些坐标真实值是 $\hat t_*$ ，而网络的预测值是 $t_*$ ，则梯度为 $\hat t_*-t_*$ )。

2.2 Class Prediction

在进行类别预测方面，主要的改变是将原来的单标签分类改为多标签分类，再具体实现上，将原来网络中的 softmax 替换为多个相互独立的逻辑回归。这种做法在其余网络中也已经使用过（没记错 FPN ，Mask R-CNN 中也使用了类似的方案）。这样做的好处是，在使用 softmax 时候，我们默认了每个目标仅属于一个类别标签，但是在实际应用中，对于一些比较复杂的场景，一个目标可能同时属于多个类别，比如 dog 可以同时属于 dog 类和 anmial 类。在实现上，使用多个相互独立的 sigmoid 函数来代替 softmax 函数，应为 sigmoid 可以很方便的将输出约束到 0～1 范围内，而且也十分用以理解，当一个目标最后经过 softmax 后，如果输出的结果大于 0.5，则说明该目标属于这个类别。

2.3 Predictions Across Scales

2.4 Feature Extractor

具体网络结构如下所示：

2.5 Training

文章来源: 【Deep Learning】YOLOv3 An Incremental Improvement 原理

标签

deep