带有keras的Yolo v3模型输出说明

Question

我正在将yolo v3模型与keras一起使用，并且该网络使我成为具有以下形状的输出容器：

[(1, 13, 13, 255), (1, 26, 26, 255), (1, 52, 52, 255)]

所以我找到了这个link

然后，我了解了3个容器中的每个容器的值255，也了解了3个容器，因为存在3种不同的图像缩放比例来创建边界框。

但是我不明白为什么在输出向量中第一个缩放比例有13 * 13个列表，然后第二个却有26 * 26个列表，最后一个有52 * 52。

我无法找到一些很好的解释，所以我不能使用此网络。 如果有人知道我可以在哪里找到有关输出尺寸的信息，那将非常有用。

编辑

是因为如果我将图像按13个部分切成13个部分，考虑到每个部分都是对象的中心，我只能检测13 * 13个对象？

Answer 1

YOLOv3具有3个输出层。此输出层以3个不同的比例预测盒子坐标。 YOLOv3还以将图像划分为单元格的方式进行操作。根据您看哪个输出层，单元数是不同的。

因此输出数量正确，有3个列表（由于三个输出层）。您必须考虑YOLOv3是完全卷积的，这意味着输出层是宽x高x滤镜。查看第一个形状（1、13、13、255）。您了解255代表边界框的坐标，类和置信度，1代表批处理大小。您现在无法理解输出是conv2d的，所以有问题的部分为13 x13。13x 13意味着您的输入图像将被划分为网格，并且将为网格的每个单元格预测边界框坐标，类概率等。第二层进行操作在不同的比例下，您的图像将被划分为26 x 26的网格，第三个图像会将您的图像划分为52 x 52的网格，并且该网格上的每个单元格都将被预测为边界框坐标。

为什么有用？从实际的角度来看，想象一下有多少只小鸽子聚集在某个地方。当您只有一个13 x 13输出层时，所有这些鸽子都可以出现在一个网格中，因此您不会一一检测到它们。但是，如果将图像划分为52 x 52的网格，则单元格会变小，并且检测到所有单元格的可能性更高。检测小物件是YOLOv2的投诉，所以这是响应。

从更多的机器学习角度来看。这是所谓的要素金字塔的实现。这个概念被Retina网络架构所推广。

您可以处理输入图像，进行卷积，最大池合并等操作，直到将某个点用作输出层的输入（在YOLOv3情况下为13 x 13）。比起用作13 x 13层输入并与相应大小的特征图串联的高级特征图（此特征图将取自网络的早期部分）而言。因此，现在您将使用作为输入的输出层升级要素，这些要素沿网络一直进行了预处理，而要素是先前计算的。这样可以提高准确性。对于YOLOv3，您再一次将这个升级的功能与以前的功能串联在一起，将它们升级，连接并用作第三输出层的输入。