一、YOLOV3

• 多scale

三种scale：
为了检测到不同大小的物体，设计了3个scale。
特征融合不好。
感受野大的特征图预测大的，中的预测中的，小的预测小的。各自预测各自的，不用做特征融合。
三个候选框：
每个特征图三个候选框。

怎么得到大中小的特征图？
不能单独拎出来，要两两进行联系，做一些特征融合。

这两不适合YOLO：

右图是YOLOV3的核心思想：

13×13做一个上采样（插值），变成26×26，跟中间的26×26进行融合。
26×26做一个上采样（插值），变成52×52，跟最前面52×52进行融合。

• 残差连接

我们都知道，网络越深，效果越差。
采用残差连接，两种方案，效果更差的话，就把残差块学成0，使用一致性映射x。残差肯定不会原来的差。

核心的网络架构

• 池化也不要了，特征图怎么变成原来的1/2？需要下采样的时候卷积层的stride=2
• 残差网络那篇论文的残差块没有池化层，之前看竟然没有发现。。。
• 得到感受野大的特征图13×13×75（用作提取大的），将13×13×1024做上采样，变成26×26×256（这个用作特征融合）
• 26×26×256与26×26×512进行特征融合，得到26×26×768，降采样得到26×26×256（这个用作特征融合），最后得到中的特征图26×26×75
• 26×26×256上采样得到52×52×128，与52×52×256特征融合得到52×52×384，最后得到小的特征图52×52×75
• 75会变，看你输入图片的大小

• 先验框设计

V2中用聚类给预测5个，V3先分三类。

• softmax层的改进

softmax不能做多标签的分类，V3做的也不是多标签的分类，而是对每一个类别进行二分类。如下：
判断是个猫的概率是0.8，是个狗的概率是0.2。。。。
设置一个阈值，比如是0.7，大于0.7的则属于这个类。