Yolo系列 v3
YOLO-V3的改进
最多的改进是网络结构，使其更适合小目标检测特征做的更细致，融入多持续特征图信息来预测不同规格物体先验框更丰富了，3种scale,每种3个规格，一共9种softmax改进，预测多标签任务
3种scale
scale变换方法
V3也采用了残差连接，堆叠更多的层来进行特征提取
核心网络架构
没有池化和全连接层，全部卷积，下采样通过stride为2实现，3种scale，更多的先验框
输入映射到输出
先验框设计
13*13特征图：(116x90)，(156x198)，(373x326)
26*26特征图：（30x61)，(62x45)，(59x119)
52*52特征图：(10x13)，(16x30)，(33x23)
大的先验框在感受野大的特征图中检测
softmax层替代
物体检测任务中可能一个物体有多个标签，logistic激活函数来完成，预测每个类别
logistic指的是未经过softmax函数处理的网络输出，也就是各个类别的得分（score）或概率（probability）值，因此沿用了logit这个术语。在逻辑回归（logistic regression）模型中，logits表示某个事件发生的概率与不发生的概率之比的对数值。