Gaussian YOLOv3

目标检测

论文题目：Gaussian YOLOv3: An Accurate and Fast Object Detector Using Localization Uncertainty for Autonomous Driving

其他人解读：https://zhuanlan.zhihu.com/p/95994718 虽然写的不咋地，几乎也没有看懂。

上图为yolov3总图。其每个位置三个anchor，每个anchor预测出4个坐标+1个conf+类别。

yolov3的官方做法中置信度分支的正样本Label是1，而不是iou，导致yolov3输出的bbox无法反映预测质量。而本文希望解决这个问题。

其输出由原来的txtytwth变成了4个均值和4个标准差，其实4个均值预测值就是原始的txtytwth，而希望标准差能够反映不确定性，不确定度范围是0-1，值越大表示不确定度越大。

带帽子的参数表示高斯yolov3的网络输出值，而不带帽子的参数表示经过处理后的预测值。

对于cle和conf分支的loss计算完全一样，但是对于均值和方差的loss计算不一样了：

看起来比较复杂，先看代码就理解了：

在高斯模式下，output[...,:2]就是xy分支的输出，target[...,:2]就是txty值，而sigma_xywh[...,:2]是4个标准差分支预测值中的xy标准差经过sigmoid的值。

以tx预测为例，其标准差的学习是自发的，没有任何监督。其希望：
1 当tx预测很准确时候，分子变小，对应的标准差也变小
2 当tx预测和均值有偏差时候，为了loss下降，此时标准差就会变大，从事不确定增加

看起来比较美好，但是自发学习出来的不确定性我觉得不太靠谱，也就是说其仅仅解决了一点点不确定性问题而已。

在测试时候将4个标准差预测值先经过sigmoid，然后求均值作为作者的标准差，然后应用：