【每天进步一点点】【Atlas 200 DK】基于YOLOv3_Resnet18的行人检测

基于YOLOv3_Resnet18的行人检测

一、特征提取网络Resnet18

行人检测部分使用了目前主流目标检测算法YOLOv3，特征提取网络由Darknet53转变为经典的Resnet18。Resnet网络的提出很好地解决了随着网络加深，训练集准确率下降的问题，性能更为优良。 

从经验来看，网络深度的增加，一般能学习到更多的特征，获得更好的性能，但实践发现随着网络加深，深度网络出现退化，准确度饱和甚至下降，比如56层的网络效果可能比18层的网络更差，但这并不是过拟合造成的，因为网络的训练误差依然很高，这使得深度网络训练遇到了难题，性能无法通过加深网络得以提升。残差学习的提出为解决此问题提供了一种可能，残差学习基于这样的假设：希望在浅层网络通过叠加网络层提升性能，在叠加的网络层不进行学习，仅仅复制浅层网络

的特征，性能应该和该浅层网络一致，不会出现退化现象。

          图1 残差学习：基本模块

Resnet网络是在经典的VGG19网络基础上，通过短路机制引入残差单元，直接使用Stride = 2的卷积做下采样，并且用Global Average Pool层替换了全连接层，其

重要原则为当Feature Map大小降低一半时，数量增加一倍，这保持了网络层的复杂度，维持增加网络层数带来的性能提升。Resnet使用了两种残差单元，分别对应

浅层网络和深层网络，以适应不同需要。

Resnet网络性能优良，很快成为了计算机视觉任务中的主流网络架构之一，也衍生出很多改进版，是非常受欢迎的架构。同时，参考官方文档，针对Ascend 310芯

片的特点，做了适配和优化，尽量提升3D Cube的利用率，相应减小数据搬移和Vector运算的比例，以提升算法性能。注意了边界算子规格，输入数据的处理，比如

输入数据最大支持四维，转维算子（例如Reshape、Expanddim）等不能输出五维等细节问题。同时，注意到模型中的算子只支持2D卷积，暂不支持3D卷积，参考

官方建议，矩阵乘法的MKN以及conv、concat等算子的输入或输出通道数采用16的整数倍等问题。

二、跨尺度预测

YOLOv3在输入映射到输出方面，对应三种不同尺度特征图，输出3个不同尺度的张量，是输入图像各个单元格中目标对象的概率，当输入为416×416时，在每个尺

度的特征图的每个单元格设置3个先验框，总共有10647个预测，且每一个预测是一个85维向量，包含边框坐标（4个数值），边框置信度（1个数值），对象类别的

概率（以COCO数据集为例，有80种对象）。且是在不同分辨率上进行，对小物体的检测效果较好。 

为了更好地在Atlas平台运行，适配硬件处理，提高运行速度，使用Atlas 200 DK提供的数字视觉预处理（Digital Vision Pre-Processing，DVPP）模块做数据处

理，由于使用输出限定宽高为128:16对齐，这里参考官方文档例程建议，考虑到一般来说图片的宽和高越大，对目标检测越好，设置为640×352，不破坏原算法输入

尺寸需要为32的倍数的限制，同时降低了数据处理开销和带宽压力。

同时，由于输入图像大小的改变，相应地适配先验框将原来的(373×326) 改为(163×326)。

                    图2  YOLOv3的输出

三、边界框预测

延续YOLOv3采用回归策略的端到端的策略，便于部署。假设将输入图像网格化，如果检测目标的中心落在网格中，网络则对检测目标的具体位置做估计。假设每个

网格需要预测N个边界框，则输出结果为每个边界框的位置坐标和置信度。

         图3 具有尺寸先验和位置的边界框预测

PS：不好意思，输入公式不太方便，就直接上图了。

这里采用逻辑回归预测每个边界框的待检测物体的得分，每个边界框使用多标记分类预测框中可能包含的物体类别，由于使用了独立的逻辑分类器，可以较为简单地

用于其他更为复杂的领域，更好适应大量重叠标签的情况。