论文：YOLOv3：An Incremental Improvement
作者：Joseph Redmon, Ali Farhadi
链接：https://arxiv.org/abs/1804.02767
代码：http://pjreddie.com/yolo/
YOLO系列其他文章：
- YOLOv1通俗易懂版解读
- SSD算法解读
- YOLOv2算法解读
文章目录
- 1、算法概述
- 2、YOLOv3细节
- 2.1 Bounding Box Prediction
- 2.2 Class Prediction
- 2.3 Predictions Across Scales
- 2.4 Features Extractor
- 2.5 Training
- 3、实验
- 4、创新点和不足
1、算法概述
YOLOv3在前面YOLOv2的基础上做出重大改进，包括采用新设计的backbone，边界框预测方式和多尺度特征预测等等，总得来说，YOLOv3在吸收之前的检测算法经验对YOLOv2进行改进，直接上图：
从图中可以看出，YOLOv3-320和SSD在相同输入尺度下，mAP相差不大，但推理速度，YOLOv3-320比SSD快3倍。
2、YOLOv3细节
2.1 Bounding Box Prediction
与YOLOv2一样，网络为每个边界框预测四个坐标tx、ty、tw和th；假如图像左上角格子偏移量为(cx,cy)，bounding box prior的宽高为pw，ph，则边界框的坐标可以通过公式计算为：
回归这四个坐标采用平方和误差(sum of squared error loss)。但是，这一次YOLOv3使用逻辑回归为每个边界框预测一个物体性分数(objectness score)。该分数对于与ground trunth box有最高重叠的锚框(bounding box prior)为1，对于其余锚框为0。与Faster R-CNN不同，YOLOv3仅为每个ground trunth box对象分配一个锚框。如果没有将锚框分配给ground trunth box对象，则该锚框不会对坐标或类预测造成损失，只会对对象(objectness)造成损失。
2.2 Class Prediction
不再用softmax分类了，改为二元交叉熵损失，每个类独立使用logistic分类器；这样做的好处是训练的时候可以引入更复杂的数据集，不再受限制于他们的标签必须是独立互斥的关系。
2.3 Predictions Across Scales
YOLOv3这次结合3个不同尺度的特征图进行预测，每个尺度设置3个anchor boxes，对于在COCO数据集上的实验，NxN大小的特征图输出结果为NxNx[3x(4+1+80)]，即每个grid设置3个anchor，每个anchor预测4个bounding box偏置和1个objectness分数以及80个类别分数。
最后的特征图还会经过x2倍上采样与上一个特征融合得到另一个较大尺度的特征图，从而丰富了语义特征；与YOLOv2一样，anchor也做了k-means聚类，得到9个anchor大小，用于设置在3个尺度特征图上。完整YOLOv3网络结构图如下(图片来自”A COMPREHENSIVE REVIEW OF YOLO: FROM YOLOV1 AND BEYOND”)
2.4 Features Extractor
YOLOv3设计了新的backbone用于提取特征，通过连续的设置3x3和1x1的卷积层，并且带一些跳转连接，总共包含53个卷积层，作者叫它Darknet-53。其结构如下：
这个新网络比Darknet-19强大很多，而且比ResNet-101或ResNet-152更高效，在ImageNet数据集上的表现为：
可以看到，Darknet-53骨干网络获得的Top-1和Top-5准确性与ResNet-152相当，但速度几乎快2倍。
2.5 Training
用完整图像进行训练，不带有难度样本挖掘，多尺度训练，数据增强，batch normalization。
3、实验
就COCO测试集上的平均AP指标而言，YOLOv3与SSD变体算法相当，但速度快3倍。过去，YOLO在处理小目标时遇到了困难。然而，现在我们看到了这一趋势的逆转。通过结合多尺度预测，我们看到YOLOv3具有相对较高的APs的性能。但是，它在中型和大型目标对象上的性能相对较差。
4、创新点和不足
创新点：
1、基于v2的版本做了很多改进，设计了高效的Darknet-53网络，采用了多尺度特征预测，特征融合技术。
不足：
1、小目标方面，由于多尺度的预测有提升，中型目标和大型目标还不是很理想。
