没有合适的资源?快使用搜索试试~ 我知道了~
首页YOLOv3 An Incremental Improvement.docx
本资源为本人YOLOV3翻译笔记,翻译经过本人按原论文排版和内容校对,确保能够达到原论文一样效果,非常欢迎对目标检测和YOLOV3感兴趣朋友下载学习,共同进步,建议一起下载YOOLOV2论文翻译,因为这个对很多原理性东西讲的很清楚。链接:https://download.csdn.net/download/qq_42109740/12318134
资源详情
资源评论
资源推荐

YOLOV3:进一步的提升
Joseph Redmon, Ali Farhadi
University of Washington
摘要
我们为您呈现一些关于 YOLO 的最新消息!我们在设计上做了一些小改动,
让它变得更好。我们还训练了这个非常棒的新网络。它比上次大了一点,但更
准确了。不过还是很快的,别担心。320×320 尺寸下 YOLOv3 在 28.2MAP
下运行 22ms,精度与 SSD 相当,但速度是 SSD 的 3 倍。当我们看一下旧
的.5 IOUmAP 检测指标 YOLOv3 时,YOLOv3 相当不错。在 Titan X 上,它
在 51ms 内达到 57.9AP
50
,而 RetinaNet 在 198ms 内达到 57.5AP
50
,性能
相似,但速度快 3.8 倍。一如既往,所有代码都在 https://pjreddie.com/
yolo/.上在线
1、介绍
有时候你只需要给它打一年的电话,你知道吗?今年我没有做很多研究。
在推特上花了很多时间。和甘斯玩了一会儿。我有一点从去年[12][1]遗留下来
的势头;我设法对 YOLO 做了一些改进。但是,老实说,没有什么比超级有趣

的了,只是一些小的改变,让它变得更好。我也帮了别人的研究一点忙。实际
上,这就是我们今天来到这里的原因。我们有一个可以拍照的最后期限[4],我
们需要引用一些我对 YOLO 所做的随机更新,但我们没有消息来源。所以,准
备好收看一份技术报告吧!技术报告的伟大之处在于它们不需要自我介绍,你
们都知道我们为什么来这里。因此,这篇导言的末尾将成为本论文其余部分的
路标。首先,我们将告诉您与 YOLOv3 的交易是什么。然后我们会告诉你我们
是怎么做的。我们还会告诉您一些我们尝试过但没有奏效的方法。最后,我们
将思考这一切意味着什么。
2、方法
与 YOLOv3 的交易是这样的:我们大多从别人那里汲取好主意。我们还训
练了一个新的分类器网络,它比其他的分类器网络要好。我们将从头开始向您
介绍整个系统,这样您就可以完全理解了。
2.1、检测框预测
在 YOLO9000 之后,我们的系统使用维簇作为锚框来预测边界框[15]。
网络

预测每个边界框 tx、ty、tw、th 的 4 个坐标。如果单元格从图像的左上角偏
移(Cx,Cy),并且之前的边界框具有宽度和高度 pw,ph,则预测对应于:
在训练过程中,我们使用误差损失的平方和。如果某个坐标预测的地面真
相是 ˆt*,我们的梯度是地面真值(从地面真相框计算)减去我们的预测:
ˆt*−t*。通过倒置上面的方程式,可以很容易地计算出这个基本真实值。

YOLOv3 使用 Logistic 回归预测每个边界框的客观性分数。如果之前的边
界框与地面真实值对象的重叠程度大于任何其他边界框之前的重叠程度,则该
值应为 1。如果边界框先验不是最好的,但与地面真实对象重叠超过某个阈值,
我们将忽略该预测,如下所示[17]。我们使用 0.5 的门槛。与[17]不同的是,
我们的系统只为每个地面真实对象预先分配一个边界框。如果没有将边界框先
验分配给
地面事实对象,则不会造成坐标或类别预测的损失,只会造成客观性损失。
剩余18页未读,继续阅读

















安全验证
文档复制为VIP权益,开通VIP直接复制

评论0