YOLOv3:An Incremental Improvement阅读笔记

论文地址：https://pjreddie.com/media/files/papers/YOLOv3.pdf
代码地址：https://pjreddie.com/darknet/yolo/ （论文中附有）

摘要

(1)YOLOv3在输入为320×320的图片上的检测速度是22 ms，mAP为28.2。这与SSD一样精确，但速度提高了三倍。
(2)在 Titan X上，YOLOv3在51ms内达到57.9 AP50(检测器的IOU阈值大于50)，与 RetinaNet在198 ms内的57.5 AP50相比，表现相当，但速度提高了3.8倍。

论文

1，边界框预测：使用维度聚类的方式生成锚框。

训练阶段：
每个边界框预测4个坐标tx，ty，tw，th。假设单元格距离图像的左上角偏移了（cx，cy），先验边界框（bounding box prior）具有宽度pw和高度ph，则预测的bbox归一化后应为：

1，网络为每个边界框预测4个坐标tx，ty，tw，th。
2，假设单元格距离图像的左上角偏移了（cx，cy）（网格为单位）
3，先验边界框（bounding box prior）具有宽度pw和高度ph。
4，bx,by,bh,bw,为归一化后的边框预测值。
5，xywh都归一化了，它们的值都是在0~1之间。
6，├ σ(t_x )使用logistic函数使其归一化在0~1之间，使得GT落在cell中。”P(t)=”1/(1+e^(−t) )
anchor boxes用来预测bounding box，faster rcnn中用128128,256256,512*512,分三个尺度变换1：1,1：2,2：1,共计9个anchor来预测框，每个anchor预测2000个框左右，使得检出率提高很多。

anchor box 机制：

用来生成bbox，共计9个anchor来预测框，使得检出率提高很多。Anchor box完全可以称之为边界框bbox。

k-means聚类：

选择K个点作为初始质心。
repeat
将每个点指派到最近的质心，形成K个簇
重新计算每个簇的质心
until 簇不发生变化或达到最大迭代次数

先验框的由来：

利用 k-means 聚类方法在训练集上的bbox上来寻找先验框。pw、 ph为与groundtruth重合度最大的anchor框的宽和高。

偏移量：

假设用width表示图片的宽，x表示bbox的横坐标(没有归一化的)。那么width/S则表示每个cell在x轴方向占了多少个pixel，再把x除以（Width/S)，假设结果为4.2，则表示新的x’相对于cell 4的左上角偏移了0.2（相当于偏移了0.2个网格）。
综上：k-means训练集上聚类得到9个尺寸的A.Box -> 每个网格生成9个尺寸的A.Box -> 其中每个网格的9个框中与groundtruth重合度最大的anchor框作为先验框。

类别预测：训练过程中，使用二值交叉熵损失函数。

（1）置信度定义：

训练阶段来说，我们要给每个bounding box的confidence打label，那么这个label怎么算? 很简单，如果一个物体中心没有落在cell之内，则bounding box的 Pr(O”bj”ect)=0，IOU就不必算，因为 Pr(O”bj”ect)∗IOU_pred^truth肯定等于0，此时confidence的label就直接设置为0；如果物体的中心落在了这个cell之内，这个时候 Pr(O”bj”ect)=1，因此confidence变成了1∗IOU_pred^truth。
预测阶段，网络只输出一个confidence值，它实际上隐含地包含了IOU_pred^truth。

输出使用sigmoid函数：

“P(t)=”1/(1+e^(−t) )
输出 x,y,w,h conf class1,class2,class3,class4,class5
y_true […..] 0.9 [0,0,1,0,0]
y_pred […..] 0.8 [0.1,0.1,0.8,0.1,0.1]
分数在哪类最高即属于哪一类，sigmoid是输出。在每一类中采NMS去除多余的框以及留下同一类中不同对象的框。

类别预测：

物体类别是一个条件概率，├ Pr(Class_i “|” O”b” ject)。
训练阶段，若物体中心(ground truth坐标计算)落在了这个cell，那么我们给bbox打上这个物体的类别label，并设置概率├ Pr(Class_i “|” O”b” ject)为1,这个概率是存在一个条件的，这个条件就是cell存在物体；
但在测试阶段，作者还把这个概率乘上了confidence，因为cell中若不含物体，则confidence为0，得确保cell中有物体（即confidence大），算类别概率才有意义。此时公式为：├ Pr(Class_i “|” O”b” ject)*( Pr(O”bj”ect)∗IOU_pred^trutℎ)。
若有两个概率分布p(x)和q(x)，通过q来表示p的交叉熵（损失）为：

p作为正确结果(如[0，0，0，1，0，0])，把q作为预测结果(如[0.1，0.1，0.4，0.1，0.2，0.1])，就可以得到两个概率分布的交叉熵了，交叉熵值越低，表示两个概率分布越靠近。
交叉熵损失函数：
对于样本（x,y）来讲，y是真实的标签，预测标签为所有标签的集合，我们假设有k个标签值，第i个样本预测为第K个标签的概率为pi,k，一共有N个样本：

多尺度预测：预测三种不同尺度的框。

特征提取器：darknet53网络：

使用连续的3×3和1×1卷积层，以及降低计算量的resnet。

训练结果对比

我们在AP50指标上绘制准确度和速度时，我们看到YOLOv3与其他检测系统相比具有显着的优势。也就是说，速度越来越快。

在kitti数据集上测试

赏

谢谢你请我吃糖果

支付宝

微信