Redmon_You_Only_Look_CVPR_2016_paper.pdf

yolo基本原理

对图形进行SS的方格切分，每个区域都会浓缩成一个11N维的点，yolo会根据这个点生成B个锚框(bbox)。每个锚框固定有五个属性：中心位置(x,y)，宽高(w,h)和是否有目标的置信度。同时锚框还需要携带所有C个分类指标的信息。为此整个yolo的输入ground truth维度为：`SS*(B+(5+C))`，预测结果也为这个维度。之后通过预测结果和GT进行loss计算，同时对网络进行传播更新。

yolo的网络结构如下图所示，分为三个部分（和大部分目标监测相似）：backbone -> neck -> head，最后生成feature map，再通过fc层和激活函数来进行分类。back部分主要对图像进行特征提取，例如把图像成1/8,1/16,1/32三个部分，其被称为feature map。yolov3采用的backbone网络是DarkNet53的方法。neck部分主要对back的不同特征进行图像融合，同时针对大中小的目标采用不同输出。最后接head层输出分类结果。

Detail

Yolov3会生成3个尺度的预测框（参考FPN，并加上了一些卷积层），并且为每个预测生成一个三维的数据框，分别编码了bounding box,objectness和class predictions。