YOLOV3

YOLO系列

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：图像金字塔；右图：单一的输入；

 

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

 

 

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

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)

先验框设计

 YOLO-V2中选了5个，这回更多了，一共有9种

 

 

 

YOLO系列

·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