1、 相比之前的两个版本，网络在对小目标的检检测效果要好，对于大目标的检测效果相对来说要差一些；
2、 Bounding box
沿用YOLO9000方法，采用维度聚类，根据训练集合的分类目标边框信息，使用k-means算法进行聚类，生成anchor的边框信息。因此不同的任务会有不同anchor信息，最优anchor需要在实验中确定。
最终的预测出的bounding box的坐标值，会跟anchor、gred cell相对整张图的顶点坐标联系起来。如下图：
q.png
其中tx、ty、tw、th为网络的直接预测值，bx、by、bw、bh为最终获得的目标边框坐标值，cx、cy为目标中心点所在grid cell的左上角点相对于整张图像的坐标值，pw、ph为anchor的宽和高，σ(tx)为sigmoid函数，可以将tx的值压缩到0到1的范围，利于网络收敛。推理时，使用该公式计算最终的bbox坐标值；训练时，对ground truth（gx,gy,gw,gh）的坐标值使用该公式的逆运算得到对应的t值，然后跟预测的t值计算loss，使用的是均方误差。在求逆运算的过程中sigmoid函数的逆运算较难计算，转而计算对应t值的sigmoid函数，具体如何计算和为什么等价有待继续学习。
3、 类别分类
Yolov3没有使用softmax计算分类的loss，softmax函数会使得各个类别之间有互斥的影响，这也是其在适合分类任务的原因之一，在yolov3中却对性能没有提升。Yolov3对每个bbox的类别信息使用的是二值的交叉熵损失函数，这样会使得每个框预测出的类别信息不只是一个。在一个对象有多个标签时，该方法很好用。此处不是很理解
4、 跨尺度预测
基于FPN的结构，对不同层的特图进行目标预测。使用了三种尺度的特征图。将上层特征图先进行上采样，上采样在keras版本的代码中使用的是UpSampling2D，最近近邻插值的方式，做到跟底层特征图同样大小，然后使用concatenation的方式，即在通道上拼接。然后对组合后的特征图再次进行卷积和预测分类。
网友评论