SSD
SSD[4] 同时借鉴了YOLO 网格的思想和Faster R-CNN 的anchor 机制,使得SSD 可以快速进行预测的同时又可以相对准确地获取目标的位置。
图2-15 中的(b)和(c)分别代表不同的特征层,(c)相对(b)离最终预测结果较近,因此跨越同样像素个数能检测的目标就越大。按照图2-15 所示,在特征层(b)的每个点上都将产生4 个不同大小的anchor(1:1 两个,1:2 两个),在特征层(c)上也是如此。因此,根据真实目标矩形框与每个anchor 的IOU 大小计算可知,(b)中有2 个anchor 为正样本,(c)中1 个anchor 为正样本。
对比之前学过的Faster R-CNN,接下来我们介绍SSD 的一些特点:
● 使用多尺度特征层进行检测。
在 Faster Rcnn 的 RPN 中,anchor 是在主干网络的最后一个特征层上生成的,而在SSD 中,anchor 不仅仅在最后一个特征层上产生,在几个高层特征层处同时也在产生anchor。如图