一般物体認識YOLOv3のモデル構造｜せいしん

はじめに一般物体認識とは、画像中の物体の位置を検出し、その物体の名前を予測するタスクになります。以前に下記の記事を書きましたが、そこでも扱ったようにYOLOv3は一般物体認識のモデルの中でも有用な手段のひとつです。今回はこのYOLOv3の中身をポイントとなるところに注目して、見ていきたいと思います。 YOLOv3: An Incremental Improvement モデルの外観YOLOv3のネットワークの外観は以下のようになります。入力の画像に対して出力は縦横が13x13、26x26、52x52の3種類のテンソルが3つ出力となります。このサイズは入力の416x416をそれぞれ(1/32)、(1/16)、(1/8)としたものになります。また、各セルは[3x(4+1+80)]のサイズのベクトルになっており、[(3週類のpriorのサイズ)x((横位置tx, 縦位置ty, 横幅tw, 縦幅t