YOLOv3: 增量改进外文翻译资料

 2021-12-23 22:13:29

英语原文共 6 页

YOLOv3: 增量改进

约瑟夫·雷德蒙，阿里·法哈迪

华盛顿大学

摘要

38

36

G

YOLOv3

RetinaNet-50 RetinaNet-101

Method mAP time

34

F

32

E

[B] SSD321 28.0

[C] DSSD321 28.0

[D] R-FCN 29.9

[E] SSD513 31.2

[F] DSSD513 33.2

[G] FPN FRCN 36.2

RetinaNet-50-500 32.5

30

D

RetinaNet-101-500 34.4

RetinaNet-101-800 37.8

28 B C

YOLOv3-320

YOLOv3-416 YOLOv3-608

61

85

85

125

156

172

73

90

198

28.2 22

31.0 29

33.0 51

我们向YOLO提供一些更新！ 我们做了一些小小的设计上的改变来优化它。我们还训练了这个非常棒的新网络。比上次的稍微大一点，但更准确。不过速度仍然很快，不用担心。在320times;320的YOLOv3运行了22 ms，28.2mAP,准确率和SSD一样，但速度提升了3倍。当我们看老版的.5 IOU mAP检测指标时，YOLOv3是相当不错的。它在Titan X上能达到51 ms，57.9AP50，与在

COCO AP

RetinaNet上198ms达到57.5 AP50相比，性能相似，但

times;

是速度快了3.8倍。和往常一样，所有代码都在https://pjreddie.com/yolo/.

介绍

你们呼唤它一年了，知道吗？ 今年我没有做太多研究。花了很多时间在Twitter上。玩了一下GAN。去年我留下了一点点的动力[12] [1]; 我设法对YOLO做一些改进。但，坦白来讲，最有趣的事情，就是通过很多很小的改变来优化它。我还帮别人做了一些研究。

事实上，促成这篇文章的原因是这样的。我们的截稿日期快到了，我们需要引用一些我过去对YOLO的随机更新，但我们没有材料。所以准备一份技术报告吧！

技术报告最棒的事情就是我们不需要简介，所以你

50 100 150 200 250

inference time (ms)

图1. 我们从Focal Loss [9]的论文里拿了这张图 . 在相同的性能下YOLOv3跑得比其他检测方法快得多得多。时间数据来自M40 或者 Titan X, ,他们基本上是相同的GPU。

boxes[15]。网络预测每个bounding box的4个坐标, tx, ty,

tw, th。如果cell是从图像左上角偏移(cx, cy) ，以及该cell

对应的bounding box prior的宽度为pw,高度为 ph,然后，这些预测对应于:

bx = sigma;(tx) cx by = sigma;(ty) cy

bw = pw etw

bh = pheth

懂 的，为什么会有这篇东西。那么，在这个引言的最后会阐述这篇文章。首先我们会告诉你YOLOv3是怎么

回事。然后我们会告诉你我们是怎么做的。我们还会告诉你一些我们尝试过的不管用的东西。最后，我们将思考这一切的意义。

2.做法

YOLOv3的真相: 我们主要从别人那里获得好点子。我们也训练了一个比其他人更好的新分类器网络。我们会从头到尾讲解整个系统，以便你能完全理解。

Bounding Box 预测

在YOLO9000之后，我们的系统使用维度聚类(dimension clusters )作为anchor boxes来预测bounding 在训练过程中，我们使用误差平方和损失函数 。

如果某些坐标预测的ground truth 是，我们的梯度是

ground truth的值 (由ground truth box计算得到) 减去我们

的预测: . 通过反转上面的方程可以很容易地计算

出这个ground truth。

YOLOv3用逻辑回归从每个bounding box里预测了

是物体的得分。如果这个bounding box prior比其他任何bounding box prior的物体得分都要高，那它的值应该是1。如果bounding box prior并不是最佳的，但是确实在多个阈值上与一个ground truth物体重合，我们就忽略这个预测，按照[17]。我们使用0.5的阈值。不像[17]我们的系统对每一个ground truth只分配一个bounding box prior。如果一个bounding box没被分配到

1

cx 下一步，我们获取前两层的特征图并将其升采样2倍。我们还取一个网络早期的特征图，并用元素加法把它合并进我们的升采样特征里。该方法使我们能够从 升采样特征里得到更多含义丰富的语义信息，还有从早

pw

bw

p

h bh

sigma;(ty)

sigma;(tx)

bx=sigma;(tx) cx

b =sigma;(t ) c

y

y y

bw=pwetw

b =p eth

h h

c 期特征图里得到更多细粒度信息。然后我们加多了几层

y 卷积网络来处理这个合成的特征图，并最终预测一个相

似的张量，虽然模型大小翻了一倍。

我们把同样的设计在最终尺寸预测框上再执行了一遍。因此，我们对第三尺度的预测得益于所有的prior计算和早期网络细粒度特征。

我们还使用k-means聚类来决定我们的bounding box prior。我们只是随意地排序了选定的9个聚类和3个尺度，然后均分每个聚类到各个尺度上。在COCO数据集这9个聚类是：(10 times; 13), (16 times; 30), (33 times; 23), (30 times; 61),(62 times; 45), (59 times;119),(116 times; 90),(156 times; 198),(373

图 2. 带维度先验的Bounding Boxes和位置预测。我们从聚类中心预测边框的宽度和高度当作offset。我们预测边框的中心坐标，中心坐标与用sigmoid函数的滤波器的位置有关。这张图公然从[15]中自我抄袭。

一个ground truth对象上，它会导致一个坐标或类预测没有loss，只是说明有物体。

类预测

用多标签的分类法，每个边框预测bounding box可能包含的类别。我们不用softmax因为我们发现它不能提高性能，相反，我们只是使用了独立的逻辑分类器。在训练期间，我们使用了双向交叉熵损失函数（binary cross-entropy loss）作类别预测。

当我们移动到更复杂的域，这个方法会有所帮助，比如OpenImage数据集 [7]。在这个数据集中有很多相互重叠的标签(例如：女人和人). 利用softmax限制假设在每个框中正好有一个类别，通常并不符合情况。多标签方法能更好地模型化这类数据。

多尺度预测

YOLOv3在3个不同的尺度上预测物体框。 我们的系统用一个与特征金字塔网络 [8]类似的概念从这些尺度上提取出特征。在基础特征提取器上我们添加了几个卷积层。最后一层预测一个三维张量来编码bounding box，有没有物体，和类别预测。以我们在COCO [10] 上的经验，我们在每个尺度预测3个框，因此张量为 , 对应为4个bounding box的offset，1为预测物体，还有80个类预测。

times;326).

特征抽取

我们用一个新网络来做特征提取的工作。我们的新网络是用在YOLOv2里的Darknet-19和新奇的残差网络这类东西的混合。我们的网络用了连续的3x3和1x1的卷积层，但是同时也有一些跨层连接，网络明显更大了。

它有53层卷积，所以我们叫它...叫它Darknet-53!

Type Filters Size Output

Convolutional

32

3 times; 3

256 times; 256

Convolutional

64

3 times; 3 / 2

128 times; 128

Convolutional

32

1 times; 1

1times;

Convolutional

Residual

64

3 times; 3

128 times; 128

Convolutional

128

3 times; 3 / 2

64 times; 64

Convolutional

64

1 times; 1

2times;

Convolutional

Residual

128

3 times; 3

64 times; 64

Convolutional

256

3 times; 3 / 2

32 times; 32

Convolutional

128

1 times; 1

8times;

Convolutional

Residual

256

3 times; 3

32 times; 32

Convolutional

512

3 times; 3 / 2

16 times; 16
lt;

资料编号：[3820]

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章