前言
這總算是近期的最後一篇物件偵測論文的介紹文。作者寫這篇論文的時候就提到，他當時沒有繼續花太多心力在改進YOLO系列的演算法上。這次只是稍稍加了一點東西進來，產生YOLO系列的第三代，所以就以比較輕鬆的「技術報告」來呈現他所引入和嘗試的方法。這些改進主要圍繞在邊界框預測、分類預測、backbone網路的改良。
論文：
Yolov3: An incremental improvement
演算法架構
> 邊界框預測
YOLOv3在邊界框的預測上，改成以logistic regression來預測邊界框包含物體的分數。不過這裡的評分目標訂定方式和Faster R-CNN中的方式有一點不同，YOLOv3只把與ground-truth重疊率最高的那個邊界框認作滿分1，不是被認作最好的那些邊界框，就不會對分類或是邊界框座標的損失有做貢獻。
> 分類預測
這裡作者指出，以softmax作為分類預測器的函數其實對於分類的進步沒有幫助。因為softmax是基於假設每個類別之間是獨立關係，但是當你處理的分類問題中，不同類別但他們其實是相似東西的這種情況時，softmax的假設就不成立了。因此，YOLOv3改用independent logistic classifiers，並搭配binary cross-entropy來衡量分類上的損失。
> Backbone網路
YOLOv3最大的亮點就是作者又發展出一個全新的Darknet網路來做為YOLOv3的特徵提取Backbone，名為Darknet-53。Darknet-53作為單純的CNN的話，架構在論文裡面已經有很清楚的表格展列了，而他的表現在top-5的正確率可以說是比darknet-19提升了2的百分點，甚至與超過100層的ResNet有著相同等級的表現，速度的表現也可以保持在78 FPS。
而應用到YOLOv3時，darknet-53結合了FPN的手法，來在YOLOv3中實現3種不同尺度下的偵測。和FPN比較明顯不同的是，在YOLOv3中，不同尺度的feature map要建構關係時，並不是element-wise的相加，而是直接將兩個map相接。綜上所述，YOLOv3的架構如下圖所示。作為尺度最大的scale 1，負責辨識影像中較細小的物體，而尺度最小的scale 3，則辨識影像中較大的物體。
結論
這張表說明了YOLOv3和不同的物件偵測模型的表現。我們可以看到因為加入了FPN的概念，所以和YOLOv2相比確實有了很大的長進，和two-stage的模型相比也已經可說是有相同程度的辨識率。但是和RetinaNet的表現相比，精確度似乎還存在著一段落差。不過在辨識速度上，RetinaNet可是需要比YOLOv3多3倍的時間。因此YOLOv3的重要性在於，在保留one-stage模型的特性底下，提供了一個辨識率和速度兩種要求都有高水準表現的一個解決方案。最近要登入國軍online了，所以之後找時間再來分享RetinaNet的內容吧！
如果喜歡這篇文章，記得在下面幫我按Clap ↓
謝謝～
