YOLO - V3

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

 - 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

 

·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：(116×90)，(156×198)，(373×326)

- 26×26特征图上：(30×61)，(62×45)，(59×119)

- 52×52特征图上：(10×13)，(16×30)，(33×23)

 ·先验框设计

- YOLO - V2中选了5个，这回更多了，一共有9种

 

 ·softmax层替代

- logistic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