Guassian YOLOv3（发布于 ICCV2019）, 更快更强的YOLOv3

在目标检测的实际应用项目中（段落数量未发生变化），实时性和精确性之间的权衡关系（trade-off）至关重要（此处进行了同义词替换），而YOLOv3算法是目前为止在这方面表现最优的方案（此处进行了同义词替换）。本文通过高斯分布的关键特性（特性），对YOLOv3模型进行了优化（改进），使其能够为每个检测框输出其不确定性的度量（不确定性），从而显著提升了网络的整体性能（精度）。

1.YOLOv3简介

基于图a所示的架构设计。
YOLOv3采用了 skip 连接的方式以应对网络过深导致的梯度消散问题。
YOLOv3通过 upsampling 操作将大尺寸特性和小尺寸特性相结合，并对upsampled后的特征图进行 concatenate 处理。
YOLOv3采用了 feature pyramid structure 来实现不同尺度上的目标检测能力。

如图b所示，该网络以RGB图像为输入，在不同尺度下分别输出检测结果。该方法通过在每个尺度下设置多个锚框（anchor），在每个grid单元中预测出三个候选框（bounding box）。这些候选框不仅包含目标的位置信息（即坐标位置），还能判断该目标是否为真实物体（正样本）或非物体（负样本），并对每个类别给出置信度评分。具体而言，在每个多尺度分支中会预测出三组候选框。将各尺度的结果整合后执行非极大值抑制（NMS）处理，最终得