pytorch目标检测ssd二_ssd的整体框架

最新推荐文章于 2024-09-30 11:02:57 发布

公鸡飞不来

最新推荐文章于 2024-09-30 11:02:57 发布

阅读量522

点赞数

分类专栏：目标检测文章标签：神经网络 python 深度学习

本文链接：https://blog.csdn.net/ni_cai_ya/article/details/105671115

版权

目标检测专栏收录该内容

12 篇文章 1 订阅

订阅专栏

本篇博客是我学习(https://blog.csdn.net/weixin_44791964)博主写的pytorch的ssd的博客后写的，大家可以直接去看这位博主的博客(https://blog.csdn.net/weixin_44791964/article/details/104981486)。这位博主在b站还有配套视频，传送门：(https://www.bilibili.com/video/BV1A7411976Z)。这位博主的在GitHub的源代码(https://github.com/bubbliiiing/ssd-pytorch)。侵删

第一篇：ssd基本原理介绍：ssd基本原理链接
这是ssd的第二篇博客，主要是介绍ssd的整体框架，不会涉及代码。

pytorch目标检测ssd二_ssd的整体框架

这篇博客，我会分析一下整体框架。

首先看一下ssd整体的框架的图（图片来自于b站up主Bubbliiiing的视频教程截图，侵删）
在这里插入图片描述

1）输入图片

输入图片的大小要被设置成300x300的，所以不是300x300的图片，输入之前需要resize一下在这里插入图片描述

2）特征提取网络

深度神经网络可以进行特征提取，我们的ssd采用的就是vgg深度神经网络。
但是ssd在vgg的基础上又做了一些改变。我们来看看第一幅图的第一部分：
在这里插入图片描述
除了普通的vgg之外，也就是第一和第二块：
还增加了后面的四块，也就是：
通过对输入图片进行上述一共6个部分的卷积，那么我们的输入的图片就会被进行特征提取，一共提取出6个特征层（每个部分对应一个特征层）。比如下图就是我们的第一个特征层，一共有六个：
在这里插入图片描述

利用这些特征层，我们就可以进行下一步的操作了。

3）画网格

我们来看看每个特征层的高和宽，分别是38x38, 19x19, 10x10, 5x5, 3x3, 1x1

看到这些数字，你想到了什么？还记得我们在第一篇的时候说的：ssd将图片分成不同的大小网格吗？
在这里插入图片描述
看每个特征层的高和宽，是不是我们网格的大小？

其实就是这样的，我们的ssd将我们的图片分成38x38x512, 19x19x1024, 10x10x512, 5x5x256, 3x3x256, 1x1x256这样6个不同的特征层，我们图片也会相应的划分出38x38, 19x19, 10x10, 5x5, 3x3, 1x1这样6种不同大小的网格，每个特征层对应其中一种网格，比如shape为38x38x512的特征层，对应38x38的网格。
划分出网格之后，ssd就会进行目标检测来检测目标。

好了，现在划分出了网格，那么我们检测目标又是怎么一回事儿呢？这个时候，我们就需要先验框辽。

补充知识：先验框

那我们先来看下先验框是个啥。

例如下面这幅图，在这里插入图片描述
（虽然我们没有8x8和4x4的网格，但是我们这里举这个例子）
在图b中，我们以每个网格的中心为中心，画很多个先验框。比如图b蓝色的先验框，这个蓝色的先验框/就是/以他的中心网格的中心点/为中心画出来的先验框，然后我们要做的就是调整这个蓝色的先验框，使它和我们图a中的蓝色框几乎重合。其他先验框同理。

那么我们之前画出网格的作用就是为了得到这些先验框，然后调整先验框，然后得到我们的目标检测的结果辽。

4）画先验框，调整先验框，检测物体

我们现在已经知道了，每一个特征层都会将图片划分成和它高宽大小相同的网格，比如38x38的特征层，将图片划分成了38x38个网格。然后每个网格，都会有对应个数的先验框，比如我们的38x38的网格，每个网格就对应4个先验框，19x19的网格，每个网格对应6个先验框。介个系后就会有同学问辽，你这个4个先验框和6个先验框是怎么来的？其实我也不知道是怎么来的，但是他就是这么做的。😭

我们以38x38的为例子来康一下
我们先来康康第一幅图的中间部分的某一小部分，
中间部分如下图：
在这里插入图片描述
中间部分的某一小部分如下图：

看见上图的 #def.boxes:4 了没有，这里就是告诉我们这个特征层对应的网格，每个网格对应4个先验框。下面的38x38x4表示：38x38的网格，每个网格有4个先验框，那么一共有38x38x4=5776个先验框。然后我们就会对这5776个先验框分别进行调整，然后就会判断，调整后的5776个框，里面是否会包含物体。其他的特征层也同理，一共就有8732个先验框。

也就是说，我们会对一共8732个先验框进行调整，然后判断里面有没有物体，如果有的话，我们就把他们标出来。如第一幅图的第三部分：在这里插入图片描述
但是，有时候我们的先验框会重叠，比如我们上图中的第四张图，先验框就重叠了：

但是不要慌，我们上面把先验框画出来了，还要进行一个操作，如第幅图的第四部分：

我们将标了先验框的图片输入进去之后，就会对重合的情况以及的先验框的评分，来找到我们需要的框，并且标出他所属的种类。