来源：投稿 作者：ΔU
编辑：学姐
论文解读
《YOLOv3: An Incremental Improvement》
Joseph Redmon Ali Farhadi
University of Washington
发表时间：2018
YOLO v3总结了自己在YOLO v2的基础上做的一些尝试性改进，有的尝试取得了成功，而有的尝试并没有提升模型性能。其中有两个值得一提的亮点，一个是使用残差模型，进一步加深了网络结构；另一个是使用FPN架构实现多尺度检测。
YOLO v3的创新点有哪些？
1，全新的网络结构：DarkNet-53
2，融合了FPN
3，用逻辑回归替代softmax作为分类器
1，YOLO v3对网络结构做了哪些改进？
YOLO v3在之前Darknet-19的基础上引入了残差模块，并进一步加深了网络，改进后的网络 有个卷积层，取名为Darknet-53，网络结构如下图所示（以256×256的输入为例）。
为了比较Darknet-53与其它网络结构的性能，作者在TitanX上，采用相同的实验设置，将256×256的图片分别输入以Darknet-19，ResNet-101，ResNet-152和Darknet-53为基础网络的分类模型中，实验得到的结果如下图所示。
可以看到Darknet-53比ResNet-101的 性能更好，而且速度是其1.5倍，Darknet-53与ResNet-152性能相似但速度几乎是其2倍。
注意到，Darknet-53相比于其它网络结构实现了每秒最高的浮点计算量，说明其网络结构能 更好的发挥GPU性能。
2，YOLO v3中怎样实现多尺度检测？
YOLO v3借鉴了FPN的思想，从不同尺度提取特征。相比YOLO v2，YOLO v3提取最后3层特征图，不仅在每个特征图上分别独立做预测，同时通过将小特征图上采样到与大的特征图相同大小，然后与大的特征图拼接做进一步预测。
用维度聚类的思想聚类出9种尺度的anchor box，将9种尺度的anchor box均匀的分配给3种尺度的特征图。
如下图是在网络结构图的基础上加上多尺度特征提取部分的示意图。
总结
从YOLO v1到YOLO v2再到YOLO 9000、YOLO v3, YOLO经历三代变革，在保持速度优势的 同时，不断改进网络结构，同时汲取其它优秀的目标检测算法的各种trick，先后引入anchor box机制、引入FPN实现多尺度检测等，在目标检测领域取得了空前的成功。
但YOLO v3也是 Joseph Redmon Ali Farhadi的最后一篇目标检测领域的论文，他因为一些原因已经宣布永远退出目标检测领域。
关注下方《学姐带你玩AI》🚀🚀🚀
码字不易，欢迎大家点赞评论收藏！
