YOLOv3: An Incremental Improvement - 1 - 论文学习
Abstract 我们为YOLO提供一些更新!我们做了一些小的设计上的改变来使它更好。我们还训练了这个非常棒的新网络。它 比上次大了一点,但更准确。不过还是很快的 ,别担心。在320×320大小图片上, YOLOv3运行22毫秒,结果为28.2 mAP,和SSD一样准确,但比他快三倍。当我们以旧的 0.5 IOU mAP检测指标为标准的时候,YOLOv3的结果还是是相当不错的。与RetinaNet的57.5 AP 50 (198 ms)相比,它在Titan X上实现57.9 AP 50 (51 ms),性能类似,但快了3.8倍。和往常一样,所有的代码都可见https://pjreddie.com/yolo/. 1. Introduction 有时候你会给它打一年电话,你知道吗?我今年没有做很多研究。花了很多时间在Twitter上。玩了一会儿GANs。去年[12][1]还剩下一点动力;我对YOLO做了一些改进。但是,说实话,没有什么超级有趣的,只是一些小的改变,使它更好。我也帮助别人做了一些研究。 事实上,这就是我们今天来到这里的原因。我们有一个准备好拍摄的最后期限[4],我们需要引用一些 YOLO中的 随机更新,但我们没有一个来源。所以准备好技术报告吧! 技术报告的伟大之处在于他们不需要介绍,你们都知道我们为什么在这里。因此,这一介绍的结尾将为论文的其余部分指明方向