[人工智能]YOLOv3: An Incremental Improvement

YOLOv3: An Incremental Improvement

参考

• 目标检测|YOLOv2原理与实现(附YOLOv3)
• 一文看懂YOLO v3
• YOLO9000: Better, Faster, Stronger

Introduction

• YOLOv3这个模型真的可谓是‘家喻户晓’，我当年入坑就是用的这个模型～现在回过头来看这个模型，又有些理解，回到模型本身，YOLOv3大致结构可以用下图表示，这是一张非常经典的图：

• 

• 主要有两点：

  • backbone部分用的是DarkNet53，引入了ResNet的残差结构
  • 模型整体采用FPN思想，卷积三个阶段的输出进行检测（feature map的大小深度不同，因此可以检测到不同尺寸的obj）

The Deal

Bounding Box Prediction

• 这部分沿用了YOLOv2部分，这里就放张图，同时可以参考我的上一篇：YOLO9000: Better, Faster, Stronger

  • 
  • 

Class Prediction

• 这里作者提出一个问题：每个框使用多标签分类预测边界框可能包含的类。
  • 因此此时使用softmax就不合适（因为它会假设每个框正好有一类，但事实通常并非如此（重叠目标，或者大框包小框））
  • we simply use independent logistic classifiers，作者用独立的逻辑回归分类器替代，loss用的交叉熵

Predictions Across Scales

• 上面提到YOLO引入FPN，在卷积的三个阶段都引出一个feature map用来检测，因此有三个scale（尺度）
  • 而每个scale都tensor的长度为：$N\times N\times [3?(4+1+80)]$，其中4=box参数，1=是否有对象，80=类别个数

Feature Extractor（DarkNet53）

• 它长这样：

  • 其实就是一堆卷积池化拼成的类，不同是每个模块引入的残差机制用于防止模型退化

  • 

Things We Tried That Didn’t Work

• 作者认为没啥用的trick

• Anchor box x, y offset predictions

  • 作者认为$$\begin{gathered} b_x=\sigma (t_x)+c_x \\ {b}_y=\sigma (t_y)+c_y \end{gathered}$$这个公式降低了模型的稳定性，效果不太好

• Linear x, y predictions instead of logistic.

  • 作者尝试使用线性激活直接预测x，y偏移，而非逻辑激活。这导致了mAP几个点的下降（Leaky ReLU替代Sigmoid？）

• Focal loss

  • 作者尝试使用Focal loss。mAP大约掉了2个点。
  • 作者认为YOLOv3可能已经对Focus loss试图解决的问题具有鲁棒性，因为它有单独的对象性预测和条件类预测。
    • 但是我们在实践中发现并不是这样的，在检测密集目标的时候仍然会有正负样本不平衡的问题，因此Focal loss在某些情况下依然有效

Performance

• 给张图：

  •