YOLOv2和YOLOv3是典型的基于深度學習的目標檢測算法，它們使用統計自適應指數回歸模型設計了網絡的最后一層來預測目標的尺寸大小。

研究者提出了基于統計自適應線性回歸的目標尺寸預測方法。YOLOv2和YOLOv3是典型的基于深度學習的對象檢測算法，它們使用統計自適應指數回歸模型設計了網絡的最后一層來預測對象的尺寸大小。

然而，由于指數函數的性質，指數回歸模型可以將損失函數的導數傳播到網絡中的所有參數中。研究者提出了統計自適應線性回歸層來緩解指數回歸模型的梯度爆炸問題。所提出的統計自適應線性回歸模型用于網絡的最后一層來預測從訓練數據集的統計數據估計目標的尺寸大小。研究者新設計了基于YOLOv3tiny網絡，它在UFPR-ALPR數據集上比YOLOv3有更高的性能。

主要這個上韓文論文，導致本人閱讀過程比較艱難，所以今天就簡單介紹些整體框架思想，有興趣的同學可以進一步閱讀論文，深入了解！

?

上圖是YOLOv2 and YOLOv3的后處理過程。

所提的方法使用學習數據集中的可估計統計數據來預測目標的寬度和高度，這與YOLOv2和YOLOv3相同。估計學習數據集統計值的過程如下: 根據學習數據集中存在目標的寬度和高度值，將目標分類為K個簇，然后估計每個簇中目標的寬度和高度值各自的算術均值。?

研究者提出的統計值自適應線性回歸模型進一步估計了各簇中目標的寬度和高度值的標準差。然后，設計了通過網絡預測的目標的寬度和高度值的均值和標準差遵循學習數據集中存在的目標寬度和高度值的均值和標準差。利用學習數據集中的可估計統計值對預測值的統計值進行約束，可以使網絡在學習階段更加穩定，提高檢測性能。

?

現有的YOLOv2， 隨著對YOLOv3中用于目標大小預測的統計值自適應指數回歸模型的修改，研究者重新定義了用于學習所提出的目標大小預測的統計值自適應線性回歸模型的損失函數，所提出的損失函數如上。

?實驗

UFPR-ALPR?dataset ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??whaosoft aiot?http://143ai.com???

?The network architecture of newly designed YOLOv3 tiny for experiments

?

?

?

?