SSD算法的改进版之R-SSD

最新推荐文章于 2024-08-15 07:00:00 发布

AI之路

最新推荐文章于 2024-08-15 07:00:00 发布

阅读量2.6w

点赞数 9

分类专栏：深度学习计算机视觉目标检测-object detection 文章标签：深度学习与计算机视觉

本文链接：https://blog.csdn.net/u014380165/article/details/77130922

版权

R-SSD是SSD算法的一种改进，通过concatenating feature maps来增强对象检测。它减少了传统SSD中重复框的问题，并提升了小尺寸物体的检测效果。使用Rainbow concatenation（结合pooling和deconvolution）进行特征融合，尽管速度略慢，但在mAP上有所提高。实验表明，R-SSD在保持良好性能的同时，能有效平衡精度和速度。

摘要由CSDN通过智能技术生成

论文：Enhancement of SSD by concatenating feature maps for object detection
论文链接：https://arxiv.org/abs/1705.09587

算法详解：
SSD算法在object detection领域的效果有目共睹，是proposal-free方面的代表算法之一，如果你对SSD算法不大熟悉，可以看看这篇博客：SSD（single shot multibox detector）算法及Caffe代码详解，而本文提出的是对传统SSD算法的改进。虽然深度网络的效果会随着feature map数量的增加而更好，但是这并不代表简单地增加feture map数量就能有更好的效果（文章的实验部分有关于简单增加feature map数量和本文对特征的融合效果对比）。另外作者并未将原本的VGG主网络换成ResNet，而是通过改进特征融合方式提升原有SSD算法的效果，使其充分利用特征。虽然速度比传统的SSD慢一点，但是mAP比传统的SSD高。

先来看看文章中关于本文算法的效果：For the Pascal VOC 2007 test set trained with VOC 2007 and VOC 2012 training sets, the proposed network with the input size of 3