YOLOv3: An Incremental Improvement 论文详细解读

前言

对应YOLOv1论文解读：You Only Look Once: Unified, Real-Time Object Detection（Yolov1） 论文详细解读
YOLOv2论文解读：YOLO9000: Better, Faster, Stronger （Yolov2）论文详细解读

其他的论文可在该栏目搜索：论文解读栏目 （实时更新阅读）

1. 边界框预测

边界框的预测和Yolov2 思想一致，详细的内容可看Yolov2的知识点

• 预测边界框使用聚类作为Anchor Boxes
• 该网络为每个边界框预测4个坐标（tx、ty、tw、th）以及置信度
• 相对于全图左上角偏移了（cx, cy），宽度和高度为pw，ph，本身已经归一化为0到1之间

通过以上法则预测出真正预测框的中心坐标值
具体公式如下：

训练的过程中，使用均方误差来计算损失，通过∑（标签值 - 预测值）² （逻辑回归问题进行训练），Yolov3使用sigmod进行输出

补充知识：

之所以使用回归逻辑而不用softmax进行训练的原因？

• 一般使用softmax进行训练，类别必须要相互独立互斥
• 使用逻辑回归，样本有重叠，预测每个类别的得分，设置阈值，大于该阈值，即为边界框的真实类别

1. 此处的每个grid cell 都会输3个Anchor（Yolov2 是输出5个），总共输出9个Anchor（一共有3个尺度）
2. 这9个Anchor 与 真实框最大的拟合，挑选最大的IOU值作为正样本

具体公式为：Pr(physical object) = Pr（Object）* IOU
在Yolov1 和 Yolov2的置信度是标签值， 为真实框的时候Pr（Object）= 1
在Yolov3中，IOU为最大的值，即Pr(physical object) = 1

那么在Yolov1 和 Yolov2 中 IOU作为置信度标签有什么不好？

• 预测框与真实框的IOU设置为0.7，本身重合度不高，得不到更好的反馈，而用Yolov3挑选最大的IOU值，当做正样本可以更好的学习
• COCO中的小目标，相对误差比较大

在Yolov3中 正样本标签为1，负样本标签为0

最终可视化图像如下：

挑选最大的阈值，其中某些值超出设定的IOU阈值 应如何操作？


答：筛选掉这些阈值，只要最大并且将其置为1，其他的样本即使超过设定阈值也变为负样本

类似Faster R-CNN，将那些阈值超过0.5的阈值都忽略掉（不用产生损失函数）
Yolov3是每一个真实框只负责一个预测框

• 如果为正样本，会对定位、置信度、分类产生值
• 如果IOU小于0.5（即使大于0.5，没被归为最大的IOU），都归为负样本，负样本只有置信度误差，不计算定位以及分类误差（这两个都为0）

正负样本会影响性能，正负样本很重要

2. 多类别标注与分类

类别预测：

• 使用多标签分类法来预测边界框中可能包含的类别，此处不适用softmax（80个类别里挑出一个确切的类别，此处不适用）
• 使用二元交叉熵损失来类别预测，每一个类别就是一个独立的概率（如果使用softmax预测，每个边界框只有一个类别，但事实并非如此）

补充相关知识点：

• 三分钟认知Softmax和Sigmoid的详细区别
• 二元交叉熵的基本概念

3. 多尺度目标检测

yolov3在3个不同尺度上预测边界框，受金字塔网络启发（FPN），将其多个层进行融合，由不同特征网络提取的特征分别加不同的卷积层，每一个尺度获得3维的卷积核（都有255个通道：编码边界框、物体性和类别预测。也就是： [3 ∗ (4 + 1 + 80)]）

• 此处使用的是COCO数据集，每个尺度预测3个边界框
• 张量为N × N × [3 ∗ (4 + 1 + 80)] ，该尺度下的N * N个格子，3个预测框，4代表xyhw，1代表置信度，80为类别预测。（此处的4并非是直接偏移的，而是通过sigmoid预测的x 、y坐标）

对比以往YOLO结构

通过多尺度目标检测改进了小物体的预测

使用 k-means 聚类来确定边界框，得到9个聚类和3个Anchor，每个尺度上分配了3个Anchor

• 小目标：52 * 52 ，分别为 (10×13),(16×30),(33×23)
• 中目标：26 * 26 ，分别为 (30×61),(62×45),(59×119)
• 大目标：13 * 13 ，分别为 (116 × 90),(156 × 198),(373 × 326).

4. 网络架构

目前新的网络主要基于 Yolov2 、 Darknet - 19 以及 ResNet。
对应ResNet的知识点可看：Deep Residual Learning for Image Recognition （ResNet）论文详细解读

新的网络架构 通过 3 * 3、1 * 1的卷积 以及shortcut短路连接，总共有53个卷积层（52卷积层 + 1个全连接层），所以称为Darknet - 53

详细的流程如下（输入256 * 256的尺寸）：

1. 输入256 * 256的尺寸，经过3 * 3 * 32进行卷积，输出256 * 256 * 32
2. 经过3 * 3 * 64卷积核，步长为2的下采样，输出为128 * 128 * 64
3. （1个残差模块）学习后，输出128 * 128 * 64，在经过3 * 3 * 128，步长为2的下采样，输出为64 * 64 * 128
4. （2个残差模块）学习后，输出64 * 64 * 128，在经过3 * 3 * 256，步长为2的下采样，输出为32 * 32 * 256
5. （8个残差模块）学习后，输出32 * 32 * 256，在经过3 * 3 * 512，步长为2的下采样，输出为16* 16 * 512
6. （8个残差模块）学习后，输出16 * 16 * 512，在经过3 * 3 * 1024，步长为2的下采样，输出为8 * 8 * 1024
7. （4个残差模块）学习后，输出8 * 8 * 1024
8. 经过全局池化连接、全连接层、softmax输出

整体的网络架构为残差网络，每个残差中间加入下采样步长为2

输入256 * 256 的尺寸，通过3 * 3 的卷积核，以及步长为2的下采样，怎么输出128 * 128 的尺寸?


答案：

通过卷积核的计算公式：【（输入尺寸大小 + 2P - 卷积核大小）/ 步长 】+ 1
套入公式，此处的P为左右补零，所以为1,。此处算出的结果为128.5，向下取整，最后为128

具体在代码模块中，深层网络结构 用到上采用以及拼接

具体的网络架构图来源：【论文解读】Yolo三部曲解读——Yolov3

另外的一张网络架构图来源：yolo系列之yolo v3【深度解析】

论文中的架构图如下：（来源：【精读AI论文】YOLO V3目标检测（附YOLOV3代码复现））

经过骨干网络Backbone 提取特征，由不同特征在Neck中进行汇总。输入416 * 416 * 3的尺度最终会输出 13 * 13 * 85 、26 * 26 * 85 以及 52 * 52 * 85，一共有3个Anchor，最后会输出255的通道
13 * 13 上采用 和 26 * 26 进行拼接，26 * 26 的上采用和56 *56 的继续拼接（融合深层次网络的语义信息 以及 浅层网络细粒度的像素结构信息）

新网络比Darknet-19强大得多，但仍比ResNet-101或ResNet-152更有效。
下面是一些ImageNet的结果：

总体对小物体的预测比较精准

• 兼容不同尺度的输入
• Anchor通过聚类而不是人为指定
• 多尺度预测
• 损失函数惩罚项
• 网络架构通过Darknet - 53 以及 跨层连接和残差连接