论文阅读: YOLOv3

Introduction

首先，我要贴出大神霸气侧漏的论文Introduction：

这里写图片描述

这可以解释为“艺高人狂妄”么？(→_→)

该文章继承了YOLOv2的bbox预测任务的方法，对bbox分类任务进行了修改 (用简单的logistic替换下softmax) 。

这里写图片描述

将DarkNet-19扩展至DarkNet-53：

这里写图片描述

Innovation

YOLOv3的作者自己也说了，本文没啥trick，就是纯粹博采众长，做做小实验，然后一不小心就搞出了YOLO第三代。。。

作者采用了更多的scale（3种scale），加深了DarkNet（直至53层），使得YOLOv3能够更好地抽取特征和保留小物体的位置信息。虽然速度慢了一倍多（但是依然很快），却拉高了不少精度（尤其是AP50AP50AP_{50}）。

且大大改善了YOLO之前的一大弊病：小物体漏检。使之在APsAPsAP_s这一单项上能够达到和 FPN 同级别，且仅逊于RetinaNet的程度。

Result

作者直接盗了RetinaNet的图，并P上了自己的曲线，显示其检测速度吊打RetinaNet：

这里写图片描述

经过加深的DarkNet作为一个backbone，在ImageNet上可以和老大哥级的basemodel——ResNet在基础的cls任务上打成平手：

这里写图片描述

虽然检测精度不如你RetinaNet，但是我的AP50AP50AP_{50}单项成绩能进前三啊：

这里写图片描述

然后作者顺便吐槽了一下要是回到以前那个只以AP50AP50AP_{50}为衡量标准的年代该多好。。。 （＞▽＜）

Thinking

• Joseph Redmon 大神为嘛这么萌。。。 ╮(╯_╰)╭

[1] YOLOv3: An Incremental Improvement