《SSD: Single Shot MultiBox Detector》阅读笔记

最新推荐文章于 2024-05-10 17:08:36 发布
最新推荐文章于 2024-05-10 17:08:36 发布
阅读量192 收藏 1
点赞数
分类专栏： 论文阅读 文章标签： 深度学习 微信 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Fate_mt/article/details/120088717
版权

目标检测算法阅读笔记
SSD: Single Shot MultiBox Detector
微信公众号：Deepthinkerr
QQ:2454409598(微信公众号回复不及时，有问题可以QQ联系)

解决的问题

幻灯片3

SSD之前的常见目标检测模型在准确率已经达到了很高的水平，但是在速度上略有不足，有些模型在速度上有了较大提升，但是是以牺牲准确率来实现的，两者之间相互矛盾，此消彼长。该paper针对这个问题提出了解决方案，在保持Fater RCNN准确率的前提下，大幅提高模型的速度。

创新点：boxes多尺度

幻灯片5

针对feature map的每一个cell，生成多个boxes（类似Faster RCNN的anchor），这里的boxes使用不同scale和aspect ratios，这里的scale在同一个feature map是一样的，但是在不同feature map上是不同的。

创新点：feature map多尺度

幻灯片6

传统的Faster RCNN等只对一个feature map进行目标检测，SSD对多个feature map进行目标检测，这样能够在多个分辨率对目标进行检测，提高模型的准确率。

创新点：检测

幻灯片7

通过卷积核输出预测的boxes offset以及每个类别的scores，然后Detection对不同feature map的预测进行判断，最后经过NMS输出结果。这里跳过了Faster RCNN的RPN，直接预测offset，大幅减少了模型的运行时间。

模型效果

幻灯片12

幻灯片13

幻灯片14

幻灯片15

幻灯片16

DeepThinkerr
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
（SSD）Single Shot MultiBox Detector论文阅读笔记
weixin_43422466的博客
07-02 2026
文章目录SSD: Single Shot MultiBox Detector论文阅读笔记2016Abstract1. Introduction2. The Single Shot Detector (SSD)2.1 Model2.2 Training3. Experimental Results3.1 PASCAL VOC20073.2 Model analysis3.3 PASCAL VOC20123.4 COCO3.5 Preliminary ILSVRC results3.6 Data Augment
SSD: Single Shot MultiBox Detector论文笔记
Tianchao龙虾
05-08 165
SSD: Single Shot MultiBox Detector 论文链接： https://arxiv.org/abs/1512.02325 一、Problem Statement 作者认为目前的检测系统都是以下方法的变体:假设bounding box，对每个框重新取样像素或特征，再应用高质量分类器。这些方法对于嵌入式系统来说计算量过大，即使对于高端硬件，对于实时或接近实时的应用来说也太慢。本文提出了第一个基于深层网络的对象检测器，它不会对bounding box假设的像素或特征进行重新取样，但和上面
RCNN学习笔记(10)：SSD:Single Shot MultiBox Detector
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
10-04 3万+
之前一直想总结下SSD，奈何时间缘故一直没有整理，在我的认知当中，SSD是对Faster RCNN RPN这一独特步骤的延伸与整合。总而言之，在思考于RPN进行2-class分类的时候，能否借鉴YOLO并简化faster rcnn在21分类同时整合faster rcnn中anchor boxes实现multi-scale的思想而设计出了SSD，这篇blog关于SSD的细节方面整理的很好，以供参考。
论文阅读笔记：SSD: Single Shot MultiBox Detector
Learning from the mistakes
09-07 9694
感想SSD是在YOLO和faster R-CNN基础上进行构建的，它继承了YOLO的速度快的特点，和Faster R-CNN准确的特点，应该说是对现有框架的突破，我跑过SSD的目标检测模型，准确率确实比Faster R-CNN高了一大截，后面还提供了SSD实验的完整分析过程，有兴趣的可以看原论文,我是九月份看的这篇论文，然后写了一个简短的博客，可能有很多错误，现在我又重读了一遍，对博客进行了内容的...
08《SSD: Single Shot MultiBox Detector》论文学习笔记
xiaotian127的博客
09-13 203
摘要 主要是介绍了两点： 表示提出了SSD目标检测算法，主要是：a.基于端到端学习的目标检测；b.将边界框的输出空间离散化为一组默认框；c.预测结果来自不同层次的特征图（6个层次）； 介绍了SSD的性能：a.300*300分辨率的输入，voc2007测试集上获得74.3%mAP和59FPS；b.512*512分辨率的输入，获得了76.9%mAP，超过了最先进的fast r-cnn 在当时，...
论文笔记：SSD: Single Shot MultiBox Detector
upup
09-04 1365
一、基本信息 标题：SSD: Single Shot MultiBox Detector 时间：2016 引用格式：Liu, Wei, et al. “Ssd: Single shot multibox detector.” European conference on computer vision. Springer, Cham, 2016. 二、研究背景 相比Faster RCNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被YOLO v2 超越）。 SSD的速度比Faster R
SSD_ Single Shot MultiBox Detector 论文笔记
weixin_40253737的博客
07-31 154
background 任务：使用单一深度神经网络，加速预测速度，保持准确率关键词：The Single Shot Detector (SSD)​ Introduction 以faster-rcnn为例，虽然准确率很高，但是预测速度很慢，并且训练过程复杂，SSD的提出，主要是基于VGG16，然后对Conv5_3层的feature maps进行卷积运算，生成特征金字塔，对于每层的feature maps，通过将点位映射到原图像中，生成中心点，然后通过选择比例和纵横比，生成建议框。​ 对于预测，通过对特征金字.
SSD：Single Shot MultiBox Detector 英文原文和中文翻译版
12-11
SSD：Single Shot MultiBox Detector 英文原文和中文翻译版，希望对大家有帮助
SSD论文翻译（SSD: Single Shot MultiBox Detector）
03-06
本资源是本人翻译的Single Shot MultiBox Detector的一文，出自于2016年，主要内容是完成行人重识别的网络构建，不仅提高了识别准确率，并且提高了是别的速度。其中，作者的一些设计思路很有启发。
SSD: Single Shot MultiBox Detector
08-10
SSD: Single Shot MultiBox Detector算法SSD: Single Shot MultiBox Detector算法SSD: Single Shot MultiBox Detector算法SSD: Single Shot MultiBox Detector算法SSD: Single Shot MultiBox Detector算法
SSD_Single Shot MultiBox Detector.pdf
09-27
SSD_Single Shot MultiBox Detector 2016.pdf, 目标检测中比较经典的算法，速度快，效果好，而且代码相比faster-rcnn要简单易懂，代码在我的上一个上传资源里
SSD（single shot multibox detector）翻译
03-03
SSD（single shot multibox detector）翻译，含原论文
【深度学习】【Lora训练0】StabelDiffusion，Lora训练，kohya_ss训练
q742971636的博客
05-09 415
资源：（1）训练ui kohya_ss：（2）kohya_ss 的docker+ 其他docker。
神经网路与深度学习
Nevadas的博客
05-07 296
（4）最大的问题在于参数太多，计算速度太慢了。（2）真正能学什么样的特征才是最合适的。（3）主要应用于计算机视觉和自然语言处理。机器学习：相当于把公式实现出来了而已。（1）中的特征工程使机器学习更智能。
【深度学习】时空图卷积网络（STGCN），预测交通流量
q742971636的博客
05-09 1013
准时准确的交通预测对城市交通控制和引导至关重要。由于交通流的高非线性和复杂性，传统方法无法满足中长期预测任务的要求，并且通常忽视空间和时间依赖关系。本文提出了一种新颖的深度学习框架，即时空图卷积网络（STGCN），用于解决交通领域的时间序列预测问题。我们不是应用常规的卷积和循环单元，而是在图上制定问题，并利用完整的卷积结构构建模型，这使得训练速度更快，参数更少。实验证明，我们的模型STGCN通过建模多尺度交通网络有效地捕获了全面的时空相关性，并在各种真实世界的交通数据集上始终优于最先进的基线模型。
2024-05-09 问AI: 在深度学习中，什么是模型检查点？
baidu_24377669的博客
05-09 907
在深度学习中，“模型检查点”（Model Checkpoint）是指训练过程中的一个保存点，它包含了模型在那一特定时刻的权重、配置和优化器的状态等信息。通常，模型检查点会包括除了模型参数之外的其他信息，如学习率、优化器的状态等，以便在恢复训练时能够保持这些状态，确保训练过程的连续性。在实际应用中，模型检查点还可以用于分布式训练，使得不同节点上的训练可以无缝连接，共同推进模型的训练进程。模型检查点的主要作用是在训练过程中定期保存模型的状态，以便在必要时可以恢复训练，避免从头开始重新训练。
PyTorch生成随机张量的函数
最新发布
chen_znn的博客
05-10 330
本文记录了PyTorch常用生成随机张量的函数
【深度学习4】pip、conda换源
weixin_43387635的博客
05-09 653
pip、conda更换源
【最新点云数据增强综述】深度学习点云数据增强技术的进展
qq_43583311的博客
05-10 901
深度学习（DL）已成为点云分析任务（如检测、分割和分类）的主流和有效方法之一。为了减少深度学习模型训练过程中的过拟合，提高模型性能，尤其是在训练数据的数量和/或多样性有限的情况下，增强往往至关重要。虽然各种点云数据增强方法已被广泛应用于不同的点云处理任务中，但目前还没有关于这些方法的系统调查或综述。因此，本文对这些方法进行了调查，并将它们归入一个分类框架，其中包括基本的和专门的点云数据增强方法。通过对这些扩增方法的综合评估，本文指出了它们的潜力和局限性，为选择合适的扩增方法提供了有用的参考。
ssd: single shot multibox detector
03-16
SSD（Single Shot Multibox Detector）是一种用于目标检测的深度学习模型，它是一种基于锚点（anchor）的目标检测算法。相比于传统的目标检测算法，如RCNN、Fast RCNN、Faster RCNN等，SSD具有更快的检测速度和更好...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值