-
-
- SSD:SingleShotMultiBoxDetector
- 简介
- one-stage、基于回归的目标检测,74.3mAP、59FPS ( on VOC2007 test )
- 网络结构
- SSD 300中输入图像的大小是300x300,特征提取部分使用了VGG16的卷积层,并将VGG16的两个全连接层转换成了普通的卷积层(图中conv6和conv7)。由SSD的网络结构可以看出,SSD使用6个不同特征图检测不同尺度的目标。低层预测小目标,高层预测大目标
- 主要特点
- 同时使用多个卷积层的输出(6个)来做分类和位置回归
- 边界框(bound ing boxs)的生成与Faster R-CNN中anchor类似的方式
- 在特征图的每个像素点处,生成不同宽高比的default box(anchor box),论文中设置的宽高比为{1,2,3,1/2,1/3}。假设每个像素点有k个default box,需要对每个default box进行分类和回归,其中用于分类的参数为c*k(c表示类别数),用于回归的参数为4*k
- default box的尺寸计算是基于下面的公式的(YOLOV3是直接利用kmeans生成的,也不需要宽高比。faste-rcnn是直接设置的anchor Scales )
- 简介
- SSD:SingleShotMultiBoxDetector
-
SSD系列(SSD、DSSD、FSSD 、RefineDet)
最新推荐文章于 2024-03-15 20:39:18 发布
本文介绍了SSD(SingleShotMultiBoxDetector)目标检测算法,包括其网络结构、主要特点和先验框匹配原则。此外,还讨论了针对小目标检测问题的改进方法,如DSSD和FSSD,以及RefineDet如何结合两阶段和一阶段检测的优势。
摘要由CSDN通过智能技术生成