YOLOv3学习记录

YOLOv3学习

效果逆天！（在当时2018年）发布了YOLOv3后，作者Redmon就再也不发了，他说因为目标检测效果好被用到了军事领域，不是他希望看到的。但是抵挡不住别人发，所以后面的很多很多版本都是其他作者发的。

相对于v2的改进

先验框改变

v1版本只有2个随机的先验框。v2版本用聚类生成了5个先验框，并没有管大小。

• v3版本的先验框选择了3中不同大小的尺度，每个尺度聚类了3中先验框比例，最终每个单元格生成9种先验框。

网络结构改变

1. 特征融合

   很像FCN（图像分割的开山之作）
   

   • 网络最后一层（13 * 13）的特征图尺寸小，感受野更大，所以会更加擅长做大目标的检测。中间部分的特征图（26 * 26）的特征图尺寸中等，感受野也中等，擅长做中等目标检测。开始部分的特征图（52 * 52）的特征图尺寸大，感受野更小，擅长做小目标检测。

   • 于是作者就采用了这三个尺度的特征图分别预测不同大小的目标。

   • 但是前面的特征图的学习效果没有最后一层的好，所以作者提出将前面的特征图和后面的特征图进行融合。如下面的右图，将后面13 * 13的特征图进行上采样后和中间26 * 26的特征图进行融合，来预测中等目标。

     

2. 残差连接块

   ResNet是2015年提出的一个网络，主要就是解决网络越深（56层）效果越差的问题。比较深的网络加入残差块可能不会让网络变好，但一定不会变差，而只要有一点变好就算更深的网络层没有白加。现在几乎所有的网络模型都用了残差块。

   • 将普通卷积块变成了残差卷积块

3. 核心网络架构

   

   • 没有池化层，用stride为2的卷积 来代替池化。（现在很多网络也这么用）
   • 特征图融合部分的上采样用的是线性插值。
   • 输入进来的图片会每个尺度都预测，那个尺度预测的好就选哪个。

一个物体多个标签

• 一个物体可以有多个标签，比如一张图片中的狗的标签有狗、哺乳动物、金毛等各种都是这只狗的标签。
• 作者使用的是每个标签都做一个二分类，是这个标签的概率是多少。然后设定一个阈值，只要是概率大于0.7是这个标签的，就作为这张图片中物体的标签。

总结

参考文章

【YOLO系列】YOLOv3论文超详细解读（翻译 ＋学习笔记）