YOLOv3: An Incremental Improvement 论文详细解读

逃离我推掉我的手 2023-01-24 04:29 257阅读 0赞

### 目录 ###

*  前言
 *  1. 边界框预测
 *  2. 多类别标注与分类
 *  3. 多尺度目标检测
 *  4. 网络架构

# 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][You Only Look Once_ Unified_ Real-Time Object Detection_Yolov1_]  
YOLOv2论文解读：[YOLO9000: Better, Faster, Stronger （Yolov2）论文详细解读][YOLO9000_ Better_ Faster_ Stronger _Yolov2]

其他的论文可在该栏目搜索：[论文解读栏目][Link 1] （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：  
![在这里插入图片描述][85de1d66085c4f74bcbc201ac4d3ccac.png]

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：  
![在这里插入图片描述][18a41a34b8104c168662dabed99333fb.png]

> 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][Softmax_Sigmoid]
 *  [二元交叉熵的基本概念][Link 2]

# 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

<table> 
 <thead> 
  <tr> 
   <th>结构</th> 
   <th align="left">输入输出</th> 
   <th align="left">张量大小</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Yolov1</td> 
   <td align="left">448 *448</td> 
   <td align="left">7 * 7 * （5 * 2个框 + 20个类别）<br>（无Anchor）</td> 
  </tr> 
  <tr> 
   <td>Yolov2</td> 
   <td align="left">446 * 446</td> 
   <td align="left">13 * 13 * 5 * （5 + 20个类别） <br>（每个格子有5个Anchor）</td> 
  </tr> 
  <tr> 
   <td>Yolov3</td> 
   <td align="left">256 * 256</td> 
   <td align="left">（8 * 8 + 16 * 16 + 32 * 32 ）* 3 <br> 下采用是 32、16、8倍</td> 
  </tr> 
  <tr> 
   <td>Yolov3</td> 
   <td align="left">416 * 416</td> 
   <td align="left">（13 * 8 + 26 * 26 + 52 * 52 ）* 3 <br> 下采用是 32、16、8倍</td> 
  </tr> 
 </tbody> 
</table>

**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][Deep Residual Learning for Image Recognition _ResNet]

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][Yolo_Yolov3]  
![在这里插入图片描述][7362c7945cc940dda4c88187c8a75a79.png]

另外的一张网络架构图来源：[yolo系列之yolo v3【深度解析】][yolo_yolo v3]  
![在这里插入图片描述][92b6b457bcee4d34897aa578b5ec3b36.png]

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）][AI_YOLO V3_YOLOV3]）  
![在这里插入图片描述][ff88dd74cfd84249aba1cb4505cf780b.png]

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：  
![在这里插入图片描述][59815ed5500141bd846b4090e81702e6.png]

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

[You Only Look Once_ Unified_ Real-Time Object Detection_Yolov1_]: https://blog.csdn.net/weixin_47872288/article/details/126988752
[YOLO9000_ Better_ Faster_ Stronger _Yolov2]: https://blog.csdn.net/weixin_47872288/article/details/127623712
[Link 1]: https://blog.csdn.net/weixin_47872288/category_12025198.html?spm=1001.2014.3001.5482
[85de1d66085c4f74bcbc201ac4d3ccac.png]: /images/20221119/f894b7da0d304b5ca247fce34233e600.png
[18a41a34b8104c168662dabed99333fb.png]: /images/20221119/cfc3dc23130440e68a7711b324829794.png
[Softmax_Sigmoid]: https://blog.csdn.net/weixin_47872288/article/details/127301342
[Link 2]: https://blog.csdn.net/weixin_47872288/article/details/127320045
[Deep Residual Learning for Image Recognition _ResNet]: https://blog.csdn.net/weixin_47872288/article/details/127516894
[Yolo_Yolov3]: https://zhuanlan.zhihu.com/p/76802514
[7362c7945cc940dda4c88187c8a75a79.png]: /images/20221119/462c032db0164365a8200711457b9c5f.png
[yolo_yolo v3]: https://blog.csdn.net/leviopku/article/details/82660381
[92b6b457bcee4d34897aa578b5ec3b36.png]: /images/20221119/9f2d840ddf784576a253685d425dd90e.png
[AI_YOLO V3_YOLOV3]: https://www.bilibili.com/video/BV1Vg411V7bJ/?p=2&spm_id_from=333.999.top_right_bar_window_history.content.click&vd_source=5f544307df95a9e93dff353a22249586
[ff88dd74cfd84249aba1cb4505cf780b.png]: /images/20221119/ee631c11330e442d937b2adc709b5995.png
[59815ed5500141bd846b4090e81702e6.png]: /images/20221119/9e4a4563514d4c0c95978db6dafeb649.png