浅谈SSD检测算法

  • 什么是MobileNet-SSD

SSD本身就是一个基于VGG16的网络,MobileNet-SSD 顾名思义就是这两个网络的组合,具体怎样组合详见网络结构图,下面详细介绍SSD的算法原理及SSD的结构。

 

 

  1. SSD算法的主要网络结构是VGG16,只是将最后两个全连层改成卷积层,并又增加了4个卷积层来构造网络结构。
  2. 对5种不同的卷积层的输出(feature map)分别用两个不同的3x3卷积核进行卷积,一个输出分类用的confidence,每个default box(实际上是prior box)生成的21个类别(在VOC数据集上的训练为例)的confidence,另一个输出回归用的location,每个box生成4个坐标值(x,y,w,h)。

Priorbox:目标的预选框,得到预选框,后续就可以通过softmax分类

  1. 这5种feature map还经过priorbox 层生成的 priorbox(即坐标)。每个feature map层中的default box的数量在caffe 中是给定的即8732个,计算如下:

38x38x4+19x19x6+10x10x6+5x5x6+3x3x4+1X1X4=8732。最后将前面三个计算结构合并,然后传给loss层。

 

  • 1
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
SSD目标检测算法(Single Shot MultiBox Detector)是一种单阶段的目标检测算法,它在2016年被提出,并在当时超越了当时最强的目标检测算法Faster RCNN的性能[^1]。SSD算法的主要思想是将多个不同尺度的特征图与预定义的一系列锚框(anchor boxes)相结合,通过卷积操作同时进行目标类别的分类和边界框的回归,从而实现目标的检测。 与Faster RCNN相比,SSD算法具有以下优势: 1. 小目标检测效果更好:SSD算法通过在不同尺度的特征图上进行检测,可以更好地适应不同大小的目标,提高小目标的检测效果。 2. 模型更小,检测速度更快:SSD算法是一个单阶段的目标检测算法,只需要进行一次前向传播,相比于Faster RCNN的两阶段检测,模型更小,检测速度更快。 SSD目标检测算法的基本流程如下: 1. 首先,SSD算法通过在输入图像上滑动不同尺度的滑动窗口,生成一系列锚框。 2. 然后,将这些锚框与预定义的一系列锚框进行匹配,得到每个锚框的类别和边界框的预测。 3. 接下来,通过分类损失和边界框回归损失来训练模型,使得模型能够准确地预测目标的类别和位置。 4. 最后,通过非极大值抑制算法来去除重叠的边界框,得到最终的检测结果[^2]。 通过以上步骤,SSD目标检测算法能够在图像中准确地检测出目标的位置和类别,具有较好的性能和效果。
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
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