前言
現在對目標檢測網絡算法模型YOLOV3優化的文章很多，有很多新的思想提出來了，比如focal loss，denseNet，anchors free以及注意力機制等。我個人比較偏好那些源代碼開放，方法簡單明瞭，可操作性強同時想法合理的papers。以這種標準來看，Gaussian-YOLOV3無疑算得上不錯得優化算法模型，至少能很快看到結果。
簡介
Gaussian YOLOV3算法模型是ICCV 2019得一篇paper提出來的。它對應的項目代碼已經開源（https://github.com/jwchoi384/Gaussian_YOLOv3）。從代碼角度來看，它只是在官方darknet框架代碼的基礎上添加一個新的層：Gaussian-yolo層的支持。所以如果你之前編譯過darknet框架代碼，那麼這個項目代碼下載後就可以直接編譯成功了。
如果你想對自己數據集進行Guassian yolo3模型的訓練，那麼只需要將cfg文件中的[yolo]改成[Gaussian-yolo]，同時將前面的filters數目由(class_num+5)*3改成(class_num+9)*3即可。至於爲什麼變成了+9，下面會詳細解釋。
原理
從原理上看，Gaussian yolov3模型和官方經典YOLOV3的唯一區別就是前者對bbox的輸出是x，y，w和h的均值和方差，一共有8個值，如下圖紅框所示；而後者直接僅僅生成x，y，w和h四個值。
下面是幾個重要的總結：
1） 這樣bbox生成值就構成了輸出層前面的卷積filter數目爲(class_num+1+8)*3。
2）在官方YOLOV3模型中，bbox的loss值是簡單的mse，即predict的tx ty tw和th分別和GT的tx，ty，tw以及th進行差的平方和。而在Gaussian YOLOV3模型中，它們的delta就變成高斯概率值。其高斯概率密度公式如下所示：
在上式中， x是GT的tx或ty或tw或th，而miu和sigma平方則是對應的Gaussian yolo層的輸出。由此可見，每組miu、sigma平方值和GT對應值應用上面公式就能求得一個概率值。
根據高斯概率分佈曲線，如果predict出來的miu離對GT值很近的話，那麼概率密度值就越大。 當然在真正在計算delta時，用的是(x-miu)/sigma。當GT值離miu值越近的話，delta值越小。
3）實際上在基於Gaussian yolo層的輸出來求真正BBOX的座標值用的是x，y，w和h對應的miu值。 而對應sigma值時來表示這些座標值的不確定性，sigma值越大，表示該組bbox座標值越不靠譜。這樣Gaussian yolo3模型除了object score，class score外，還多一個bbox的不確定性的評判指標。