文章目录
- YOLO V3
- 一、改进
- 二、三种scale
- 三、残差连接
- 四、核心网络结构
- 1. 结构
- 2. 输出与先验框关系
- 五、softmax层替代
- 总结
YOLO V3
YOLO V3是由Joseph Redmon等人在2018年推出的一款目标检测算法。作为YOLO系列的第三代版本，它在实时性和准确性上取得了显著的提升。YOLO V3的核心思想是将目标检测问题转化为一个回归问题，通过一个统一的神经网络同时预测物体的类别和位置。
相较于其他的网络模型，YOLO V3有着显著的优越性以及高效性：
一、改进
- YOLO V3最大的改进就是网络架构，使其更适合小物体检测。
- 特征做的更细致，融入多持续特征图信息来预测不同规格物体。
- 先验框更丰富，共9个，分为小、中、大三种scale，每种有三个规格。
- softmax改进，预测多标签任务。
二、三种scale
为了检测不同大小的物体：
- scale变换经典方法：
不太理想的两种方法：
金字塔：每层特征图卷积预测结果。
单一：将多层特征图融合在一起，这样就和普通的卷积神经网络一样了，没什么意义。
上述两种方法有一个缺点：不利于yolo的检测速度。
理想方法：
从大的融合向小的，接着小的返回影响大的特征图输出：
三、残差连接
残差网络最大特点：可以搭建更大、更深层次的网络。
引入resnet的思想，堆叠更多的层来进行提取：
四、核心网络结构
YOLO V3采用了Darknet-53作为骨干网络。Darknet-53是一个基于ResNet残差网络思想的深度学习模型，包含53个卷积层，每个卷积层后跟随批量归一化层和Leaky ReLU激活函数。这种结构使得网络在提取特征时更加高效，同时避免了过拟合的问题。
特点：没有池化层和全连接层，只有卷积层。
1. 结构
2. 输出与先验框关系
从上方可以发现，网络结构共有三个输出：
YOLO3延续了K-means聚类得到先验框的尺寸方法，为每种下采样尺度设定3种先验框，总共聚类出9种尺寸的先验框。
五、softmax层替代
在之前的判断类别中，我们使用的是logistic函数。
指的是未经过softmax函数处理的网络输出，也就是各个类别的得分（score）或概率（probability）值，因此沿用了logit这个术语。在逻辑回归（logistic regression）模型中，logits表示某个事件发生的概率与不发生的概率之比的对数值。
而softmax层适用于多分类的任务中：
总结
本篇介绍了：
- YOLO V3的网络架构只有卷积层，且有三个输出。
- YOLO V3先验框共有9个，分为小、中、大三种scale，每种有三个规格。
- 引入残差网络思想，搭建更深层次的网络。
- 使用softmax函数替代logistic函数，适用于多分类的任务。