目标检测系列文章
yolo v1原理：https://blog.csdn.net/cjnewstar111/article/details/94035842
yolo v2原理：https://blog.csdn.net/cjnewstar111/article/details/94037110
yolo v3原理：https://blog.csdn.net/cjnewstar111/article/details/94037828
SSD原理：https://blog.csdn.net/cjnewstar111/article/details/94038536
FoveaBox：https://blog.csdn.net/cjnewstar111/article/details/94203397
FCOS：https://blog.csdn.net/cjnewstar111/article/details/94021688
FSAF: https://blog.csdn.net/cjnewstar111/article/details/94019687
基本原理：
相对于yolo v2，yolo v3做了如下改进：
更换了backbone网络，使用darknet53,没有pool层，全部使用卷积，降采样5次
使用类似于FPN的技术，融合多层特征预测
对分类和置信度使用二分类交叉熵（v1和v2全部使用MSE）
网络结构：
实现细节：
正负样本的确定：
对于正样本，以GT来找。某一个GT对应的cell里面，最大IOU的那个anchor作为正样本训练。然后对于负样本，需要计算其与anchor的最大IOU，如果最大IOU大于阈值（例如0.5），那么就不会把它当做负样本。这可以载一定程度上缓解正负样本比例失调的问题。
anchor值：
v2当中的anchors值使用相对于特征图的cell的倍数表示，v3当中使用绝对像素表示。
数据增强：
hsv抖动，放射变换以及flip（左右镜像）来做数据增强
参考资料：
yolo系列之yolo v3【深度解析】
来自 <https://blog.csdn.net/leviopku/article/details/82660381>
YOLO v3网络结构分析
来自 <https://blog.csdn.net/qq_37541097/article/details/81214953>
YOLOv3 深入理解