YOLOv3

 

 

对三层作监督，分别重点检测大中小物体。

如果从未接触过检测算法，一定会对YOLOv3有别于其它CNN的诸多方面深表惊奇。惊奇可能意味着巧妙，也可能意味着不合理或者局限。在YOLOv3身上二者兼备。

Output and loss

需要监督的输出层如下。The shape of the detection kernel is 1 x 1 x (B x (5 + C) ).

 

 这里有如下令人惊奇之处。

1. 输出格式。训练，总是把预测输出与ground truth作比对。我们通常碰到的任务，一个样本通常只（预测）输出一个值，例如，分类中的类别，回归中的实值。而YOLOv3的预测输出N个结构（可以把它理解为c语言的struct），N= cell number * B个，其中B一个cell能预测的bounding box数目（即每一层的anchor数目，实现中一般是取为3）。cell number三层分别为13*13, 26*26, 52*52。结构中有3类成员：bounding box attributes (x, y, w, h)，置信度，类别。总共有(5+C)个，5是4 bounding box attributes and one object confidence，C是类个数。
2. feature map用途。通常CNN的feature map往往只存在hidden层，最后在输出层通过full connection层或者average polling层转换为vector。而YOLOv3的feature map直接作为输出。通常不同channel用于表示图像的不同特征。而YOLOv3的不同channel不仅可以表达是图像特征，例如人、车这种类别，还可以表达坐标和置信度。