深度学习物体检测详解：YOLO V3

YOLO V3: An Incremental Improvement

Improvements:

1. Objectness score：YOLO V3用logistic regression为每一个bbox预测一个objectness score。

假如一个bbox与ground truth的IOU比其他bboxes的都要大，则它的objectness score为1，即为best box。

假如一个bbox不是best box，但是它与ground truth的IOU大于阈值0.5，则忽略它的预测。

所以，一个ground truth只有一个bbox与之对应。

如果一个bbox没有对应到任意一个ground truth，则忽略它对于坐标和类别预测的loss，只考虑objectness的loss，即试图减小其confidence。

2. Class Prediction：YOLO V3做多标签分类没有使用softmax分类器，而是使用独立的logistic分类器，使用的loss为binary cross-entropy loss。

这样做的好处是可以处理重叠的多标签问题（人 和 女人），比如Open Image Dataset。使用softmax分类器，潜在施加了一个假设——每个box只有一个类别的问题。实际上，一个box可能是有多个类别的。

3. Predictions Across Scales：YOLO V3在3个不同尺度做预测。在COCO的试验中，类别数为80，在每个cell预测3个box，得到的3-d tensor维度为 N x N x [3 x (4+1+80)]。

接着，使用2层前的feature map，并upsample by 2x，并与更前面的feature map做拼接。这使得我们可以结合前面层的细粒度信息（更到的feature map，更小的感受野）和后面层的高层语义信息。我们添加了一个卷基层，来处理拼接后的feature map，得到相似的tensor，只不过维度变为之前的2倍。

按照上述方法，再将之前的feature map融合。这样就能结合3个尺度的feature map做预测。

实验结果：