YOLOv3: An Incremental Improvement

Joseph Redmon, Ali Farhadi

Links

• PDF Attachments: 2018’YOLOv3_Redmon,Farhadi_.pdf
• Zotero Links: Local library

My Comments and Inspiration

Cores, Contributions and Conclusions

对 yolo v2 继续添加一些小的改进，这些改进进一步提升了 yolo 的表现，但是并无很大的创新点

1. performance drops significantly as the IOU threshold increases indicating YOLOv3 struggles to get the boxes perfectly aligned with the object.
2. With new multi-scale predictions we see YOLOv3 has relatively better performance on small obejcts.
3. Yolo v3, faster and better.

Something the author tried but didn’t work

• Focal loss.
• Anchor box x, y offset predictions.
• Linear x, y predictions instead of logistic.
• Dual IOU thresholds and truth assignment (a similar strategy with Faster RCNN).

Motivation

Just want make yolo better.

Methods

1. YOLOv3 predicts an objectness score for each bounding
   box using logistic regression, and each predicted bbox has an objectness score.

Differernt yolo v1 that each cell has an objectness score.

• 只有和GT的IOU是最大的那个anchor的Objectiveness score为1，其余的都为0
• 注意每个anchor都会有对应的预测框，但是如果一个cell中的某个anchor不是最佳的，但是IOU with GT超过了某一个阈值(0.5 in this work)，这个对应的预测框会被忽略，不会用于计算损失
• 每个 GT 只会最终选择一个 anchor 的预测框来计算 loss，其他同 cell 的 anchor 不会用于回归 bbox 坐标和分类损失，只会计算 objection score（为 0）.

2. Class Prediction

   • 每个 bbox 用 logistic classifiers 来预测类别，并用 sigmoid 来压到 0-1 之间，即预测出来的结果不一定和为 1。作者假设的是每个物体是 multilabel 的

     这是因为在开放的数据库中，可能有的物体属于两类，如人和女人，并且作者也发现用 softmax 会导致表现不佳。

3. 多尺度预测 类似 FPN，yolo v3 在三个尺度上进行特征提取和预测。 实际上除了最后一个Feature map 上正常预测，其他两个尺度都是在之前的两个Feature map做2x上采样后在预测。

   “In our experiments with COCO [10] we predict 3 boxes at each scale so the tensor is N × N × [3 ∗ (4 + 1 + 80)] for the 4 bounding box offsets, 1 objectness prediction, and 80 class predictions.”

4. 更深的 backbone-Darknet 53 去掉所有的 maxpooling，使用步长为 2 的 Conv 完成下采样 添加跨层链接

   比 ResNet 152 快 2 倍，但是效果差不多 每秒的浮点运算数多，意味着对GPU的利用更好。

Experiments

Training

• No hard negative mining
• Multi-scale training
• 其他同[14]

Some Descriptions