问Yolo v3模型输出的角化澄清

EN

YOLOv3有3个输出层。这个输出层在3个不同的尺度上预测盒坐标。YOLOv3还以这样的方式操作，将图像分割成单元格。根据您所看到的输出层，单元格的数量是不同的。

所以输出的数量是正确的，三个列表(因为有三个输出层)。您必须考虑YOLOv3是完全卷积的，这意味着输出层是宽度x高度x滤波器。看看第一个形状(1，13，13,255)。你知道255代表包围盒坐标&类别和信心，1代表批次大小。您现在不知道输出是conv2d，所以有问题的部分是13x13x13，这意味着您的输入图像将被划分为网格，对于网格中的每个单元将被预测为边界框坐标、类概率等。第二层操作在不同的尺度上，您的图像将被划分为网格26 x 26，第三层将您的图像划分为网格52 x 52，对于网格中的每个单元单元也将被预测为包围盒坐标。

它为什么有用？从实际的角度来看，想象一下那里有许多小鸽子集中在某个地方。当你只有一个13x13输出层时，所有这些鸽子都可以出现在一个网格中，所以你不会一个接一个地检测到它们。但是，如果你把你的图像分割成52x52个网格，你的细胞就会很小，更有可能检测到它们。对小对象的检测是对YOLOv2的投诉，所以这就是响应。

从更多的机器学习的角度。这是一个叫做特征金字塔的东西的实现。这一概念在Retina网络体系结构中得到推广。

​

​

您可以处理输入图像，应用卷积、最大池等，直到某个时候，将此功能映射用作输出层的输入(在YOLOv3情况下为13x13)。比你的高级特征地图，这是用作输入的13x13层，并与特征映射与相应的大小(此特征映射将采取从网络的早期部分)。因此，现在您使用输出层的输入，升级的特性，沿着网络一路预处理，以及前面计算出来的特性。这就带来了更精确的结果。对于YOLOv3，您可以再一次将这些升级的特性与以前的特性连接起来，并将它们连接起来，并用作第三输出层的输入。