【目标检测（七）】YOLOv3——准确率的全面提升

YOLOv3去掉参考文献只有四页A4纸内容，没什么大的改动和创新点，而是在一些小的地方进行改动，最终取得了不错的效果。但是YOLO的作者风格比较洒脱，在文中许多细节都没有说清楚，也许是想让人去欣赏他的代码吧。论文主要有如下细节的改动：

主干网络：由Darknet-19切换为Darknet-53。
使用了三个不同尺度的输出特征层，来更好的适应小物体的检测。
增加了anchor数量。
损失函数：由softmax的交叉熵损失切换为二分类交叉熵损失。

1. Darknet-53 网络结构

如下图所示，Darknet-53是作者设计的分类网络，作为YOLOv3的backbone，有一系列的3*3和1*1卷积构成，每个卷积层后面都会有一个BN层和LeakyReLU激活函数。作者将最后的全连接层也算作了一层卷积，总共有53层卷积。作者也借鉴了ResNet残差结构的思想，下图中每个框都代表了一个残差结构。下图是用256*256输入来作分类网络的，而目标检测中使用416*416分辨率作为网络输入，下面第二章节主要讲在哪3个feature map上做预测。

2. YOLOv3模型结构

浅层的网络学习到的特征更多是角点和边的细节性特征，而深层次网络学到的特征更倾向于抽象的语义特征。同时浅层网络的感受野小，更适合小目标的检测，深层次网络感受野大，更适合预测大物体。类似FPN的思想，作者也在YOLOv3中使用了多个维度的特征进行预测。

在YOLOV2中作者就融合了更细粒度的特征，concat到一起进行最终的预测。YOLOv3使用Darknet-53作为backbone，去除了全连接层，作者选取最后三个残差层之后得到的feature map，来作为三个特征图尺度，分别是52*52*256(小目标)、26*26*512(中目标)和13*13*1024(大目标)。这三个特征层的融合是通过一系列卷积层和上采样层实现的，高维度特征和低维度特征进行concat连接融合。这里看到一幅图说的非常清楚，搬运了过来，如下所示。

上图最后输出预测的三个tensor，维度分别为52*52*255、26*26*255和13*13*255，这里是在COCO任务上跑的，共有80个分类，每个anchor只输出一个bbox的坐标预测和confidence预测，每个位置生成3个不同的anchor，即255=3×(80+4+1)。

3. Anchor

Yolov3沿用YOLOv2的anchor机制，需要理解anchor、predictated bboxes和GT Boxes的关系（不太容易），可以参考上一篇YOLOv2中的2.3.3章节。YOLOv3中的anchor数量增加比较多，主要还是由于三个尺度上每个尺度都会生成相应的anchor（尺寸比例是coco数据集上聚类得到的）。

4. Loss函数设计

作者在论文中并没有给出明确的Loss损失函数，下面的损失函数主要是基于作者的描述和复现代码总结的，主要包括目标定位损失、confidence损失和分类损失三部分构成。

4.1 Confidence损失

目标confidence可以理解为confidence=P(obj)*IOU，包含了预测的这个框是否是目标、预测框和真实框的重合程度两部分，YOLOv3将confidence由误差平方和的方式调整为binary cross entropy loss的方法，下图中o_i表示预测目标边界框i中是否真实存在目标，1表示存在目标，0表示不存在目标（也有复现代码中认为o_i是预测目标边界框与真实目标边界框的IOU），这里预测概率值是经过sigmoid处理的。

4.2 分类损失

这里同样是使用二分类交叉熵，作者认为同一目标可同时归为多类，比如猫可归为猫类以及动物类，这样能够应对更加复杂的场景（但是个人认为一般目标检测并没有这类情况）。公式中O_ij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，公式中概率值也是经过sigmoid处理的。

4.3 边界框定位损失

这部分与YOLOv2一致，使用误差平方和的方式来进行计算，进行offset regression，只计算当前区域确实有目标的情况，Offset定义如下所示： $\begin{cases} σ(t_x^p) = b_x – C_x, σ(t_y^p) = b_y – C_y\\ t_w^p = log(\frac{w_p}{w_a’}), t_h^p = log(\frac{h_p}{h_a’})\\ t_x^g = g_x – floor(g_x), t_y^g = g_y – floor(g_y)\\ t_w^g = log(\frac{w_g}{w_a’}), t_h^g = log(\frac{h_g}{h_a’}) \end{cases}$

以13*13尺度为例，上面公式中σ表示sigmoid函数； $b_x, b_y ∈ [0, 13]$ 是映射到0-13维度上的框中心坐标； $(C_x, C_y)$ ，是 $b_x, b_y$ 最近的离散整数点， $w_a’, h_a’ ∈ [0, 13]$ ，是映射到0-13维度上的anchor宽度和高度， $g_x, g_y ∈ [0, 13]$ ，是GT Box的中心点坐标映射到0-13维度上； $g_w, g_h ∈ [0, 13]$ 同理。

5. YOLOv3效果及贡献

backbone: YOLOv3换了性能更强的主干网络，提升了准确率。
小目标效果变好了：YOLOv3拉取了多层分支，而且最大的特征图达到了52 × 52，这让小目标更容易被检测到。
准确率进一步提升，同时推理速度也达到实时程度，超过同期其他模型。
相比Faster RCNN，在工业界上准确率仍然略有逊色，不如两阶段算法。

Reference:

今天的文章【目标检测（七）】YOLOv3——准确率的全面提升分享到此就结束了，感谢您的阅读。

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/20937.html