look for papers for yolo3 contributer : leoluopy
- 欢迎提issue.
- 欢迎watch ，star，实时讨论前沿分享
- 欢迎加入分享：联系微信：leoluopy
- 相对于yolov2，提出了darknet53，并增加更多passthrough layer ， 体积更大，但是更精准。
- 在 320 × 320 分辨率下，YOLOv3 每帧 22 ms 并达到 28.2 mAP,和相同分辨率SSD一样精准，但是快3倍。
- 使用相同的 BoundingBox 预测tensor , 通过nms，每一个box仅预测一个object
- 与v2 不同，增加了更多尺度，使用了 3个尺度进行预测 , 先验框使用 3个，簇使用9个簇，9个簇被均匀分割3份到3个不同的尺度预测tensor上。
On the COCO dataset the 9 clusters were: (10 × 13), (16 × 30), (33 × 23), (30 × 61), (62 × 45), (59 × 119), (116 × 90), (156 × 198), (373 × 326).
- 特征提取器更新为：darknet53。 网络设计思路： 仍然采用3x3卷积提取特征，1x1卷积进行特征压缩 ； 另外在特征提取网络中也加入类似与resnet中的 shortCut机制。
- Darknet-53 在相似准确率情况下对于 ResNet-101 快一半. Darknet-53 比 ResNet-152 快一倍 （速度测试在 TITAN X）
- 在训练方法上与YOLOv2基本保持一致，没有对困难样本单独处理，仍然是多尺度训练，每层卷积后加BN，图像采用多种数据增强。
