yolov3

单词

intros:      介绍
contemplate: 考虑
prior:       之前
invert：     使颠倒
sematic:     语义的

网络特点

有效尝试

值得注意的是，目标检测的网络通过适当修改可以完成分类任务，反之亦然。

the deal

从别人的工作中获取灵感；

检测框预测

• 检测框预测和yolo9000类似；

• 预测socre式采用logistic regression而不是softmax；

  • 如果一个初始检测框和某个ground truth object的重叠部分（不是IOU？）大于任何一个检测框，那么该检测框的socre理想输出应该为1；（yolo是看中心坐标，并且相同grid的不同box共享参数——不同box共同预测该object）
  • 某个检测框，overlap不是最大，但是其超过某个阈值，该预测会被忽略；（这个没看懂，既然被忽略，那设阈值干嘛？为了只为每个ground truth分配一个box？）
  • 每个ground truth 只会分配一个初始box；
  • 对于没有被分配给ground truth的初始检测框，不计算坐标和分类的loss，只计算objectness的loss；

    分类预测

• 采用多标签分类；

  • 采用独立逻辑分类器的方式预测类别；（softmax对于高性能没有必要）（并且softmax不适合复杂情节：类别不独立情况）
  • 类别预测的loss采用：binary cross-entropy loss；

    跨尺度预测

• yolov3预测时，从三个不同的尺度进行；

  • 采用类似feature pyramid networks的结果实现跨尺度预测；
• 最终预测每个尺度上输出3维张量（和yolo类似）；
  • 每个尺度上预测三个boxes，每个box有包括检测框的4个属性，一个socre以及类别信息（80类）；
  • 最终每个尺度上的输出：

• 其它尺度预测实现；

  • 结合上采样以及特征融合；
  • 不同尺度产生的张量size不同，也就意味着返回到原图的grid不同；
  • 类似yolo9000，同样采用k-means聚类实现anchor boxes的选取，最终选取了9个；

    特征提取

• 特征提取过程中，不断采用卷积，类似resnet；

• 最终网络53层 —> darknet-53；

  训练

• 多尺度训练；

• 大量的数据增强；

• batch normalization等；

  无效尝试

• 采用线性激活函数预测坐标偏移作为box的宽高倍数；(?)

• 线性预测x,y偏差取代逻辑激活预测；
• Focal loss；
• 双IOU阈值和真值分配；