【目标检测】YOLOv3

YOLO v3

网络结构

YOLOv3加深了网络，卷积的层数达到了106层。相较于之前的版本，最大的变化在于使用不同尺度的特征图进行检测。网络结构如图所示：

图来源：https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b

• 在82层卷积处输出第一个检测结果。假设图片的输入大小为416×416，此时特征图的大小为13×13。每一个cell设置3个anchor，每一个anchor预测（4+1+C）个值，假设类别为60类，那么共计输出3×（4+1+60）=255个值，即输出维度为13×13×255。
• 第79层的卷积的输出结果继续进行卷积操作，上采样，和浅层特征融合，卷积，得到第二种尺寸的检测输出。输出维度为26×26×255
• 后面进行与第二步类似的操作，输出维度为52×52×255

在YOLOv3中，预设的anchor个数共有 $(13\ast 13+26\ast 26\ast 52\ast 52)\ast 3=10647$(13∗13+26∗26∗52∗52)∗3=10647;YOLOv2***有 $13\ast 13\ast 5=845$13∗13∗5=845。

每一种scale中预设的anchor是从数据集中聚类得到的9种中的三种。

使用不同尺度的特征图来预测，改善了YOLO对小物体的检测效果。

类别预测

将softmax预测换成了二分类的多标签预测，因为在一些数据集中，例如有些框体可以同时有Woman和Person这两个标签。