# YOLOv3 論文閱讀
YOLOv3: An Incremental Improvement: https://arxiv.org/pdf/1804.02767.pdf

## Introduction
前言作者講說他沒甚麼時間更進一步研究YOLO演算法，不過他有提出一些改善的方法，因此本篇會比較像是以技術報告方式呈現XD。

## The Deal
YOLOv3從既有的論文中截長補短

### Bounding Box Prediction
YOLOv3遵循YOLOv2中4個座標的算法即bx, by, bw, bh並採用平方誤差和計算loss：
YOLOv3中以logistic regression來預測每個預測框的信心值，並以預測框與真實物件(ground truth)的重疊情形來判斷(若某個預測框與真實物件重疊較其他預測框多，則設為1)，而其他的預測框(IOU>threshold)，在預測時會被忽略，YOLOv3中僅指派一個預測框給真實物件，而若某預測框並沒有被指派給真實物件則不會計算其loss。

### Class Prediction
因softmax適用於單標籤多分類的情況(類別互斥)，然而預測目標中可能會有重疊的標籤如人、女人等情況，因此YOLOv3採用多個logistic regression分類器，並採用binary cross entropy 作為loss function。

### Predictions Across Scales
YOLOv3預測了3個輸出：bounding box、是否為物件、類別，而每一個scale會預測3個box，因此最後的輸出量為：$N*N*[3*(4+1+80)]$ ，其中80為類別數量。


在feature extraction之後，YOLOv3中採用FPN來擷取3個不同scale的feature map，第一層的feature map(scale最小)會先經由一系列卷積層處理後輸出預測值，之後該層feature map會經上採樣取得2倍大小的特徵層並與其前一層做concat，再經一系列卷積處理後輸出預測值，最後一層feature map也會以相同方法輸出最後的預測值，由圖可知，最後會得到3層feature map的預測值，此方法是為了從不同scale的特徵層獲取更多有意義的語意資訊。
YOLOv3中也是使用K-means來決定先驗框(anchor box or prior box)，在COCO dataset中選取了9個群集(3 boxes for 3 scales)。

### Feature Extractor
與YOLOv2不同，YOLOv3的backbone採用Darknet-53，其架構如下：

### Training
訓練方法沒有太大更動，都有使用multi-scale training, data augmentation及batch norm等等。

## Things We Tried That Didn't Work
* Anchor box x,y offset predictions
文中探討使用正常的anchor box預測機制，即使用linear激活函數預測x,y 偏移量作為框的長與寬，而這樣做會降低模型的問定性。
* Linear x,y predictions instead of logistic
文中探討使用linear激活函數來取代logistic激活函數來計算x,y偏移量，而這樣做會降低整體經度。
* Focal loss
使用focal loss會降低2mAP。

## Evaluation


在不同AP值的比較上，可以看到YOLOv3較YOLOv2與SSD來的好，卻略遜於RetinaNet，然而在下圖中可以看到YOLOv3系列的inference time遠低於其他演算法。因此總體而言，YOLOv3在維持高精度的同時也降低了inference的時間。

## Comment
YOLOv3中替換了Darknet-53作為backbone並使用FPN作為neck來預測bounding box，而類別分類也採用Logistic regression作為分類器，其他部分如訓練方法等幾乎沒有太大的變動，不過卻還是能取得很好的成果。