MobileNet-SSD

本文介绍了MobileNetV3-SSD在目标检测中的应用,对比了它与MobileNetV2-SSD、YOLOv3的性能差异。在30类数据集上训练,MobileNetV3模型能达到99.60%的准确率。训练过程在GTX1070显卡上进行,每个EPOCH大约10分钟。作者建议使用更大的模型如MobileNetV3-LARGE以提升检测效果,并提出在服务器上进行进一步训练的计划。
摘要由CSDN通过智能技术生成

有预训练:

https://github.com/shaoshengsong/MobileNetV3-SSD

 

有v2 ssd:

https://github.com/qfgaohao/pytorch-ssd

 

MobileNetV3-SSD,在tx2上,没有明显优势。

https://github.com/tongyuhome/MobileNetV3-SSD

 

MobileNet-SSD 与yolov3对比,精度低了很多,具体就是漏检多了很多。

https://github.com/jacke121/Object-detection-state-of-the-art-RCNN-YOLO-SSD

 

用于训练的数据有30类,数据量大概在95k左右,trainval_proportion和train_proportion都是0.9。

### 回答1: MobileNet-SSD是一种轻量级的目标检测模型,结合了MobileNet和SSD两种技术。MobileNet是一种基于深度卷积神经网络的轻量级模型,它通过使用深度可分离卷积代替传统的卷积操作,减少了模型的参数量和计算量,从而实现了在计算资源有限情况下高效地进行目标检测。 MobileNet-SSD中的SSD(Single Shot MultiBox Detector)是一种单阶段的目标检测算法,它通过在不同尺度的特征图上进行预测,实现多尺度目标检测。SSD可以通过多个卷积层提取不同尺度的特征,并在每个尺度上进行目标预测,这样既可以检测出小尺寸目标又可以检测出大尺寸目标,提高了检测的准确性。 MobileNet-SSD的整体架构由MobileNet作为特征提取网络,然后通过一系列卷积层及其对应的预测层来获取不同尺度的目标检测结果。它可以检测出多个目标类别,并对每个目标框进行位置和类别的预测。 MobileNet-SSD的设计使得它适用于资源有限的设备,如移动设备和嵌入式系统。相比于其他目标检测模型,MobileNet-SSD在保持较高检测准确度的同时,参数量和计算量大幅减少。这使得它在实际应用中能够更快速地进行目标检测,满足实时性要求。 总之,MobileNet-SSD是一种结合了MobileNet和SSD的轻量级目标检测模型,通过使用深度可分离卷积和多尺度预测的方法,实现在计算资源有限情况下高效准确地进行目标检测。它在移动设备和嵌入式系统上具有广泛的应用前景。 ### 回答2: MobileNet-SSD是一种轻量级的目标检测算法,其中MobileNet是一个针对移动设备优化的深度卷积神经网络,而SSD是单发多框架检测器(Single Shot MultiBox Detector)的简称。 MobileNet是由Google提出的,它使用了深度可分离卷积来减少参数数量和计算量,从而在保持准确性的同时大大降低了模型的大小和运行时间。MobileNet具有两个重要的特点:1)深度可分离卷积将标准卷积分为深度卷积和逐点卷积,从而降低了计算量和参数数量;2)可通过调整网络的宽度乘数和分辨率乘数来实现不同大小和精度的模型。 而SSD是一种基于卷积神经网络的目标检测算法,它将目标检测任务转化为一个多尺度特征图上的回归和分类问题。SSD采用了一系列卷积层和特征融合来获取不同尺度的特征图,并通过预定义的锚框来进行目标检测和定位。 MobileNet-SSD是将MobileNet作为特征提取器,与SSD结合起来进行目标检测的方法。它继承了MobileNet的轻量级特点,在保持较高的检测准确性的同时,显著减少了计算量和模型大小。MobileNet-SSD不仅适用于移动设备,还可以应用于嵌入式系统和其他资源有限的环境中。 总结来说,MobileNet-SSD是一种轻量级的目标检测算法,它通过结合MobileNet和SSD来实现高效准确的目标检测,适用于移动设备和资源有限的环境。该算法在多个目标检测数据集上都取得了较好的检测性能,对于实际应用中对模型大小和计算时间有限制的场景,具有重要的实用价值。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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