浅尝YOLOv3论文_yolov3论文是发表在哪的

关于YOLO

YOLO的意思是 you only look once，比起想RCNN，FAST RCNN这些two stage的方法，YOLO仅仅需要扫描一遍图像，而不需要另外再寻找ROI，感兴趣的区域。YOLOv3是2018年发明的算法，并且所发表的论文也较为简短。以下是YOLOv3的网络结构图：

上图三个蓝色方框内表示Yolov3的三个基本组件：
（1）CBL：Yolov3网络结构中的最小组件，由Conv+Bn+Leaky_relu激活函数三者组成。
（2）Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
（3）ResX：由一个CBL和X个残差组件构成，是Yolov3中的大组件。每个Res模块前面的CBL都起到下采样的作用，因此经过5次Res模块后，得到的特征图是608->304->152->76->38->19大小。

Darknet-53

在Darknetnet-53中，每个卷积层主要由多个1x1和3x3的卷积层组成，然后后面都会接上一个BN层以及LeakyReLU层，因为网络中有53个convolutional layers（2 + 12 + 1 + 22 + 1 + 82 + 1 + 82 + 1 + 4*2 + 1 = 53 ），所以叫做Darknet-53。注意的是，输入进YOLO的图像大小需要为32的整数倍。

YOLOv3中的损失函数

在YOLOv3中，损失函数主要分为三个部分：目标定位偏移量损失，目标置信度损失以及目标分类损失,

目标置信度损失

目标置信度即判断目标矩形框中是否存在目标，该损失是由二值交叉熵(Binary Cross Entropy)来预测目标框内是否存在目标。在网络中，使用逻辑回归预测每个边界框的存在目标的概率，如果当前预测的边界框比之前的更好地与ground truth对象重合，那它的分数就是1。如果当前的预测不是最好的，但它和ground truth对象重合到了一定阈值（这里使用的是0.5）以上，那么网络会忽视这个预测。并且，网络只为每个ground truth对象分配一个边界框。如果先前的边界框并未分配给相应对象，那它只是检测错了对象，而不会对坐标或分类预测造成影响。

目标类别损失

目标类别损失依旧是采用二值交叉熵损失，其中Oij在[0,1]范围，表示预测目标边界框i中是否真实存在第j类目标，0表示不存在，1表示存在。Cij表示网络预测目标边界框i内存在第j类目标的Sigmoid概率（将预测值Cij通过sigmoid函数得到）。因为作者在使用softmax后发现对网络性能的提升角度来说，没有起到太大的作用，所以还是采用了单独的逻辑分类器。使用logistic的输出进行预测后，能够支持多标签对象（比如一个人有Woman 和 Person两个标签）。

目标定位损失

目标定位损失是采用真实偏差值与预测偏差值差的平方和，其中$\hat{l}$表示预测矩形框坐标偏移量（注意网络预测的是偏移量，不是直接预测坐标）。$\hat{g}$表示与之匹配的GTbox与默认框之间的坐标偏移量，$(b^x,b^y,b^w,b^h)$为预测的目标矩形框参数$(c^x,c^y,p^w,p^h)$为默认矩形框参数,$(g^x,g^y,g^w,g^h)$为与之匹配的真实目标矩形框参数，这些参数都是映射在预测特征图上的。

目标框的预测

在YOLOv3中，用于预测的三个特征层大小分别为52,26,13。随着输出的特征图的数量和尺度的变化，先验框的尺寸也需要相应的调整。YOLO2已经开始采用K-means聚类得到先验框的尺寸，YOLO3延续了这种方法，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。在COCO数据集这9个先验框是：(10x13)，(16x30)，(33x23)，(30x61)，(62x45)，(59x119)，(116x90)，(156x198)，(373x326)。

在分配上，在最小的1313特征图上（有最大的感受野）应用较大的先验框(116x90)，(156x198)，(373x326)，适合检测较大的对象。中等的2626特征图上（中等感受野）应用中等的先验框(30x61)，(62x45)，(59x119)，适合检测中等大小的对象。较大的52*52特征图上（较小的感受野）应用较小的先验框(10x13)，(16x30)，(33x23)，适合检测较小的对象。

在三个特征图中分别通过(4+1+c) x k个大小为1 x 1的卷积核进行卷积预测，k为预设边界框（bounding box prior）的个数（k默认取3），c为预测目标的类别数，其中4k个参数负责预测目标边界框的偏移量，k个参数负责预测目标边界框内包含目标的概率，ck个参数负责预测这k个预设边界框对应c个目标类别的概率。
图中虚线矩形框为预设边界框，实线矩形框为通过网络预测的偏移量计算得到的预测边界框。其中$(c_x,c_y)$为预设边界框在特征图上的中心坐标，$(p_w,p_y)$为预设边界框在特征图上的宽和高，$(t_x,t_y,t_w,t_h)$分别为网络预测的边界框中心偏移量$(t_x,t_y)$以及宽高缩放比$(t_w,t_y)$，$(b_x,b_y,b_w,b_h)$为最终预测的目标边界框.

其中$\sigma (x)$函数是sigmoid函数其目的是将预测偏移量缩放到0到1之间，这样能够将预设边界框的中心坐标固定在一个cell当中，缩放到这个范围内后能够加快网络收敛。

YOLOv3所做的其他尝试

作者在最后还提到了他们做了哪些尝试，但是发现并没有起到太大的作用：

1. Anchor box坐标的偏移预测。作者尝试了常规的Anchor box预测方法，比如利用线性激活将坐标x、y的偏移程度预测为边界框宽度或高度的倍数。但我们发现这种做法降低了模型的稳定性，且效果不佳
2. 用线性方法预测x,y，而不是使用逻辑方法。我们尝试使用线性激活来直接预测x，y的offset，而不是逻辑激活。这降低了mAP成绩。
3. focal loss。作者还尝试使用focal loss，但它使mAP降低了2点。 对于focal loss函数试图解决的问题，但是YOLOv3从理论上来说已经很强大了，因为它具有单独的对象预测和条件类别预测。因此，对于大多数例子来说，在类别预测应该没有其他损失的存在。
4. 双IOU阈值和真值分配。在训练期间，Faster RCNN用了两个IOU阈值，如果预测的边框与.7的ground truth重合，那它是个正面的结果；如果在[.3—.7]之间，则忽略；如果和.3的ground truth重合，那它就是个负面的结果。作者尝试了这种思路，但效果并不好。