江苏省住房与城乡建设厅网站首页,室内设计联盟网,wordpress 盈利,网站词库怎么做yoloV3以V1#xff0c;V2为基础进行的改进#xff0c;主要有#xff1a;利用多尺度特征进行目标检测#xff1b;先验框更丰富#xff1b;调整了网络结构#xff1b;对象分类使用logistic代替了softmax,更适用于多标签分类任务。
1.算法简介
YOLOv3是YOLO (You Only Loo…yoloV3以V1V2为基础进行的改进主要有利用多尺度特征进行目标检测先验框更丰富调整了网络结构对象分类使用logistic代替了softmax,更适用于多标签分类任务。
1.算法简介
YOLOv3是YOLO (You Only Look Once)系列目标检测算法中的第三版相比之前的算法尤其是针对小目标精度有显著提升。 yoloV3的流程如下图所示对于每一幅输入图像YOLOv3会预测三个不同尺度的输出目的是检测出不同大小的目标。 2.多尺度检测
通常一幅图像包含各种不同的物体并且有大有小。比较理想的是一次就可以将所有大小的物体同时检测出来。因此网络必须具备能够“看到”不同大小的物体的能力。因为网络越深特征图就会越小所以网络越深小的物体也就越难检测出来。
在实际的feature map中随着网络深度的加深浅层的feature map中主要包含低级的信息物体边缘颜色初级位置信息等深层的feature map中包含高等信息例如物体的语义信息狗猫汽车等等。因此在不同级别的feature map对应不同的scale所以我们可以在不同级别的特征图中进行目标检测。如下图展示了多种scale变换的经典方法。 (a) 这种方法首先建立图像金字塔不同尺度的金字塔图像被输入到对应的网络当中用于不同scale物体的检测。但这样做的结果就是每个级别的金字塔都需要进行一次处理速度很慢在SPPNet使用的就是这种方式。
(b) 检测只在最后一层feature map阶段进行这个结构无法检测不同大小的物体
(c) 对不同深度的feature map分别进行目标检测。SSD中采用的便是这样的结构。这样小的物体会在浅层的feature map中被检测出来而大的物体会在深层的feature map被检测出来从而达到对应不同scale的物体的目的缺点是每一个feature map获得的信息仅来源于之前的层之后的层的特征信息无法获取并加以利用。
(d) 与(c)很接近但不同的是当前层的feature map会对未来层的feature map进行上采样并加以利用。因为有了这样一个结构当前的feature map就可以获得“未来”层的信息这样的话低阶特征与高阶特征就有机融合起来了提升检测精度。在YOLOv3中就是采用这种方式来实现目标多尺度的变换的。
3.网络模型结构
在基本的图像特征提取方面YOLO3采用了Darknet-53的网络结构含有53个卷积层它借鉴了残差网络ResNet的做法在层之间设置了shortcut来解决深层网络梯度的问题shortcut如下图所示包含两个卷积层和一个shortcut connections。 yoloV3的模型结构如下所示 整个v3结构里面没有池化层和全连接层网络的下采样是通过设置卷积的stride为2来达到的每当通过这个卷积层之后图像的尺寸就会减小到一半。残差模块中的1×2×8×8× 等表示残差模块的个数。
4.先验框
yoloV3采用K-means聚类得到先验框的尺寸为每种尺度设定3种先验框总共聚类出9种尺寸的先验框。 在COCO数据集这9个先验框是(10x13)(16x30)(33x23)(30x61)(62x45)(59x119)(116x90)(156x198)(373x326)。在最小的(13x13)特征图上有最大的感受野应用较大的先验框(116x90)(156x198)(373x326)适合检测较大的对象。中等的(26x26)特征图上中等感受野应用中等的先验框(30x61)(62x45)(59x119)适合检测中等大小的对象。较大的(52x52)特征图上较小的感受野应用,其中较小的先验框(10x13)(16x30)(33x23)适合检测较小的对象。
直观上感受9种先验框的尺寸下图中蓝色框为聚类得到的先验框。黄色框式ground truth红框是对象中心点所在的网格。 5.ligistic回归
预测对象类别时不使用softmax而是被替换为一个1x1的卷积层logistic激活函数的结构。使用softmax层的时候其实已经假设每个输出仅对应某一个单个的class但是在某些class存在重叠情况例如woman和person的数据集中使用softmax就不能使网络对数据进行很好的预测。 6.yoloV3模型的输入与输出
YoloV3的输入输出形式如下图所示 输入416×416×3的图像通过darknet网络得到三种不同尺度的预测结果每个尺度都对应N个通道包含着预测的信息
每个网格每个尺寸的anchors的预测结果。
YOLOv3共有13×13×3 26×26×3 52×52×3个预测 。每个预测对应85维分别是4坐标值、1置信度分数、80coco类别概率。 总结
1.yoloV3的多尺度检测方法
在YOLOv3中采用FPN结构来提高对应多尺度目标检测的精度当前的feature map利用“未来”层的信息将低阶特征与高阶特征进行融合提升检测精度。
2.yoloV3模型的网络结构
以darknet-53为基础借鉴resnet的思想在网络中加入了残差模块利于解决深层次网络的梯度问题整个v3结构里面没有池化层和全连接层只有卷积层网络的下采样是通过设置卷积的stride为2来达到的
3.yoloV3模型先验框设计的方法
采用K-means聚类得到先验框的尺寸为每种尺度设定3种先验框总共聚类出9种尺寸的先验框。
4.yoloV3模型为什么适用于多标签的目标分类
预测对象类别时不使用softmax而是使用logistic的输出进行预测
5.yoloV3模型的输入输出
对于416×416×3的输入图像在每个尺度的特征图的每个网格设置3个先验框总共有 13×13×3 26×26×3 52×52×3 10647 个预测。每一个预测是一个(4180)85维向量这个85维向量包含边框坐标4个数值边框置信度1个数值对象类别的概率对于COCO数据集有80种对象。
