《表1 Darknet53特征提取网络》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《一种基于深度学习的车辆识别算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

YOLO是一种端到端的基于深度学习的目标识别方法。YOLOv3与R-CNN等目标识别方法不同，不需要特意提取候选框区域，从而可以大幅度提高目标检测的速度，但是当多个目标的中心存在于同一网格内时，YOLOv3方法只能识别出一个物体目标。虽然目标检测精度相比于R-CNN等网络较低，但是在目标检测的速度方面有很大的提升。随后，2017年，作者提出改进的YOLOv2目标检测识别算法，比YOLO速度更快，识别效果更好，但仍然在精确度上有待提高。2018年，作者继续提出改进的YOLOv3版本，该网络整体架构基于Darknet-53特征提取网络，如表1所示，该特征提取网络比YOLOv2做了进一步提升。Darknet-53作为一个新兴的特征提取架构，由多个3×3和1×1卷积核进行卷积，包含了53个卷积层和多个残差结构，是Darknet-19的进一步提升。YOLOv3使用特征金字塔的概念，通过三个不同的尺度上提取特征来对图像进行包围框预测。为了获取更有价值和更具精细的图像信息，浅层特征图将和深层特征图进行合并，继续进行进一步的处理。与Faster R-CNN类似，YOLOv3同样适用logistic回归对包围框进行预测，但是每个ground truthobject只分配一个包围框。最终，YOLOv3由75层卷积层和3个预测层组成。