YOLO-V3

·YOLO-V3 

 终于到V3了，最大的改进就是网络结构，使其更适合小目标检测

特征做的更细致，融入多持续特征图信息来预测不同规格物体

先验框更丰富了，3种scale，每种3个规格，一共9种

softmax改进，预测多标签任务

·多scale

为了能检测到不同大小的物体，设计了3个scale

 ·scale变换经典方法

左图：对不同的特征图分别利用；右图：不同的特征图融合后进行预测；

 残差连接-为了更好的特征

从今天的角度来看，基本所有网络架构都用上了残差连接的方法（输出x与输入x相加进行计算）

V3中也用了resnet的思想，堆叠更多的层来进行特征提取

 

 核心网络架构

没有池化和全连接层，全部卷积

下采样通过stride为2实现

3种scale，更多先验框

基本上当下经典做法全融入了

图片尺寸变小下采样（卷积层，池化层），变大上采样（YOLO V3）

 核心网络架构

先验框设计

YOLO-V2中选了5个，这回更多了，一共有9种

13*13特征图上：(116x90)，(156x198)，(373x326)

26*26特征图上：(30x61)，(62x45)，(59x119)

52*52特征图上：(10x13)，(16x30)，(33x23) 

感受野大，检测大目标，感受野中，检测中目标，感受野小，检测小目标

 YOLO-V2中选了5个，这回更多了，一共有9种

·softmax层替代

物体检测任务中可能一个物体有多个标签logistic激活函数来完成，这样就能预测每一个类别是/不是