YOLOv3 [24] is an object detector p

YOLOv3 [24] is an object detector proposed by Joseph et al., and it takes the detection procedure as a regression task. This method increases the speed of detection and accepts input pictures of different sizes. YOLOv3 use Darknet-53[24] for performing feature extraction. Darknet-53[24] is much more powerful than Darknet-19[22] but still more efficient than ResNet-101[31] or ResNet-152[31]. YOLOv3 uses multi- scale prediction, which means it is detected on multiple scale feature maps. For this reason, the accuracy of target detection is improved

結果 (繁體中文) 1:

YOLOv3 [24]是由Joseph等人提出了一個對象檢測器，它需要的檢測過程作為回歸任務。這種方法增加了檢測的速度，並接受不同尺寸的輸入畫面。YOLOv3使用暗網-53 [24]用於進行特徵提取。暗網-53 [24]大於暗網-19 [22]，但仍比RESNET-101 [31]或RESNET-152 [31]更有效的更強大。YOLOv3使用多尺度預測，這意味著它在多個尺度特徵圖檢測到。出於這個原因，目標檢測的精度提高

結果 (繁體中文) 2:

YOLOv3 [24]是約瑟夫等人提出的一種物體探測器，它採用檢測過程作為回歸任務。此方法可提高檢測速度，並接受不同大小的輸入圖片。YOLOv3 使用暗網-53[24] 執行特徵提取。暗網-53[24]比Darknet-19[22]更強大，但比ResNet-101[31]或ResNet-152[31]更有效。YOLOv3 使用多比例預測，這意味著在多個比例要素圖上檢測到它。因此，提高了目標檢測的準確性

結果 (繁體中文) 3:

yolov3[24]是joseph等人提出的一種目標檢測器，它將檢測過程作為一個回歸任務。該方法提高了檢測速度，可以接收不同大小的輸入影像。yolov3使用darknet-53[24]進行特徵選取。darknet-53[24]比darknet-19[22]强大得多，但仍然比resnet-101[31]或resnet-152[31]更有效。yolov3使用多尺度預測，這意味著它是在多尺度特徵地圖上檢測到的。囙此，提高了目標檢測的精度