单发多框检测（SSD）【动手学深度学习】

最新推荐文章于 2024-02-11 22:57:14 发布
最新推荐文章于 2024-02-11 22:57:14 发布
阅读量214 收藏
点赞数
分类专栏： pytorch 文章标签： 单发多框检测 SSD原理介绍及实现 香蕉检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_24946843/article/details/132366921
版权
pytorch 专栏收录该内容
31 篇文章 454 订阅 ¥9.90 ¥99.00
订阅专栏
本文介绍了单发多框检测（SSD）模型的原理和实现，包括基础网络、类别预测层、边界框预测层、多尺度预测连接以及网络结构。SSD利用多尺度特征图生成锚框，预测类别和偏移量，有效检测不同尺寸的目标。文中还提到了针对香蕉检测的数据集和训练模型的过程。
摘要由CSDN通过智能技术生成

        单发多框检测模型主要由一个基础网络块和若干多尺度特征块串联而成。基本网络用于从输入图像中提取特征，可以使用深度卷积神经网络，原论文中选用了在分类层之前阶段的VGG，现在也常用ResNet替代。

        我们可以设计基础网络，使它输出的高和宽较大，这样基于该特征图生成的锚框数量较多，可以用于检测尺寸较小的目标。接下来每个多尺度特征块将上一层特征图的高和宽缩小（如减半），并使特征图中每个单元在输入图像上的感受野变得更广阔。

单发多框检测模型由一个基础网络块和若干多尺度特征块串联而成

 图1 单发多框检测模型

类别预测层

        设目标类别为q，这样每个锚框有q+1个类别，其中0类为背景。在某个尺度下，设特征图的高和宽分别为h和w，如果以每个单元为中心生成a个锚框，则需要对h*w*a个锚框进行分类，如果使用全连接层作为输出，很容易导致模型参数过多。SSD使用卷积层的通道来输出类别预测的方法。即类别预测层使用一个保持输入宽和高的卷积层，这样输出和输入在特征图宽和高上的空间坐标一一对应。考虑输

了解本专栏 订阅专栏 解锁全文
东城青年
关注
专栏目录
订阅专栏
【AI】《动手学-深度学习-PyTorch版》笔记（二十二）：单发多框检测（SSD）
郭老二
09-06 1139
SSD（Single Shot MultiBox Detector）单发多框检测。“Single shot”说明SSD算法属于one-stage（一段式）方法，“MultiBox”说明SSD是多框预测（多尺度锚框/特征图）。YOLO速度快，适用于实时物体检测；但是精度略低，尤其是对小物体的检测。SSD准确度高，尤其是同时检测各种大小的物体时；但是速度略低。下面列举了one-stage（一段式）和two-stage（两段式）算法及对应的速度和准确度。
SSD Single shot detection 单发多框检测 实现 多尺度锚框 动手学深度学习v2
AI架构师易筋
05-01 1225
1. 多尺度锚框 2. SSD Single shot detection 单发多框检测 实现 num_classes + 1 表示分类数 + 背景数 channel先挪到最后 bbox_masks 表示如果是背景框的时候，是0，否则是1.只关心非背景的边框。 3. Q&A num_inputs 输入的通道数，num_anchors每个像素的锚框数。 w*h*num_anchors*(num_class+1) 像素比较大图片，SSD会炸
《动手学深度学习》(八) -- 多尺度标检测和单发多框检测
CarpeDiem
08-09 1898
本篇继续学习《动手学深度学习》多尺度目标检测和单发多框检测（SSD）部分，包括多尺度锚框和多尺度检测，同时训练单发多框检测模型。
动手学深度学习（二十九）——SSD目标检测算法理论到实践
Liu Feng's Blog
09-21 3338
一、SSD目标检测算法 SSD（单发多框检测）设计理念 参考：这篇Blog讲得非常详细了，我也从中学会了很多：https://zhuanlan.zhihu.com/p/33544892 SSD和Yolo一样都是采用一个CNN网络来进行检测，但是却采用了多尺度的特征图，其基本架构如图所示。下面将SSD核心设计理念总结为以下三点： 1.1 采用多尺度特征图用于检测   所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如上图
李沐动手学深度学习V2-目标检测SSD
flyingluohaipeng的博客
06-07 1442
SSD模型主要由基础网络组成，其后是几个多尺度特征块。 基本网络用于从输入图像中提取特征，因此它可以使用深度卷积神经网络。 单发多框检测论文中选用了在分类层之前截断的VGG，现在也常用ResNet替代。 我们可以设计基础网络，使它输出的高和宽较大，从而基于该特征图生成的锚框数量较多，可以用来检测尺寸较小的目标，接下来的每个多尺度特征块将上一层提供的特征图的高和宽缩小（如减半），并使特征图中每个单元在输入图像上的感受野变得更广阔。由于接近顶部（输出层）的多尺度特征图较小，但具有较大的感受野，它们适合检测较少但
【动手学深度学习】单发多框检测（SSD）
weixin_51580530的博客
07-16 201
朴素的讲述，就是看真实的边框和锚框的交并比，从大到小排序，如果某个真实边框被分配给了锚框，那么所对应的行和列将会被丢弃，然后往下再找第二大的，直到所有真实边框被分配。然后再查找没有被分配到真实框的锚框的行元素，如果大于一定阈值，就给其分配真实边框。如果对大小为w*h的图像每个像素点生成锚框，缩放比和宽高比的数量分别为n和m，则总共有whnm个锚框。以每个像素点为中心生成锚框，又两个参数，分别为缩放比s和宽高比r，锚框的宽度和高度分别为。锚框A被分配了真实框B，则A的类别与B相同，真实边框的定义如下。
【李沐】动手学深度学习 学习笔记
热门推荐
chenxiaowai_的博客
03-21 1万+
你好！这是【李沐】动手学深度学习v2-基于pytorch版本的学习笔记教材源代码安装教程（安装pytorch不要用pip，改成conda，pip太慢了，下载不下来）个人推荐学习学习笔记本节代码文件在源代码文件的chapter_deep-learning-computation/custom-layer.ipynb中不带参数的层下面的CenteredLayer类要从其输入中减去均值。要构建它，我们只需继承基础层类并实现前向传播功能。让我们向该层提供一些数据，验证它是否能按预期工作。带参数的层。
李沐【动手学深度学习】45SSD实现
最新发布
m0_46180925的博客
02-11 284
【代码】李沐【动手学深度学习】45SSD实现。
动手学深度学习之物体检测算法R-CNN，SSD，YOLO
Trony的博客
08-29 1159
区域卷积神经网络R-CNN R-CNN 首先是使用启发式搜索算法来选择锚框，选出很多锚框之后，对于每一个锚框当作一张图片，使用一个预训练好的模型来对他进行特征抽取，然后训练一个SVM来对类别进行分类。使用一个线性回归模型来预测边缘框的偏移。 兴趣区域(Rol)池化层 上面我们得到不同的锚框，我们怎么将其变为一个batch？ 使用RoI Pooling：给定一个锚框，我们将它均匀的切成n×mn\times mn×m块，然后输出每一块中的最大值。这样不管锚框多大，总是输出nm个值。这样我们就可以将不同的
动手学深度学习——目标检测 SSD R-CNN Fast R-CNN Faster R-CNN Mask R-CNN
iwill323的博客
09-26 1731
目标检 SSD R-CNN Fast R-CNN Faster R-CNN Mask R-CNN
《动手学深度学习》(PyTorch版)
风口IT猪的成长录
09-16 6449
《动手学深度学习》PyTorch版深度学习简介起源发展成功案例特点小结练习参考文献 深度学习简介 你可能已经接触过编程，并开发过一两款程序。同时你可能读过关于深度学习或者机器学习的铺天盖地的报道，尽管很多时候它们被赋予了更广义的名字：人工智能。 实际上，或者说幸运的是，大部分程序并不需要深度学习或者是更广义上的人工智能技术。例如，如果我们要为一台微波炉编写一个用户界面，只需要一点儿工夫我们便能设计出十几个按钮以及一系列能精确描述微波炉在各种情况下的表现的规则。 再比如，假设我们要编写一个电子邮件客户端。这样
《动手学深度学习》PyTorch版本
wzy628810的博客
01-20 8155
本项目对中文版《动手学深度学习》中的代码进行整理，并参考一些优秀的GitHub项目给出基于PyTorch的实现方法。为了方便阅读，本项目给出全书PyTorch版的PDF版本。欢迎大家Download，Star，Fork。除了原书内容外，我们还为每一章增加了本章附录，用于对该章节中用到的函数以及数学计算加以说明，除此之外还增加了语义分割网络（U-Net）的实现。
怎么利用pytorch训练好的模型测试单张图片
qq_24946843的博客
07-12 1万+
pytorch网络输入图片的格式是[B,C,H,W],分别为batch（每批送入网络的图片数量），图片通道数，图片高，图片宽。 torchvision.transforms可以对图像对象进行一系列裁剪、翻转等转换操作，其中也包括转换为tensor张量。（transforms.ToTensor()） 而opencv读取的是ndarray格式，不能进行torchvision.transforms变...
dlib：68个人脸关键点检测
qq_24946843的博客
06-18 1万+
参考文章：图片人脸检测--Dlib版 检测效果： anaconda prompt中输入：pip install dlib安装dlib包 下载训练模型： 训练模型用于是人脸识别的关键，用于查找图片的关键点。 下载地址：http://dlib.net/files/ 下载文件：shape_predictor_68_face_landmarks.dat.bz2 单张图片代码...
pytorch十四：pytorch实战（猫和狗二分类）
qq_24946843的博客
04-25 6567
猫狗二分类是kaggle上一个经典的比赛，数据集可在kaggle官网进行下载，其训练集包含25000张。 在做深度学习项目时，往往都需要以下几个部分： 模型定义 数据处理和加载 参数配置 训练模型（train& validate） 测试 关于__init__.py 可以看到，几乎每个文件夹下都有__init__.py，一个目录如果包含了一个__init__.py文件，那么...
pytorch模型转ncnn
qq_24946843的博客
08-15 6253
首先编译腾讯开源的ncnn：https://github.com/tongxiaobin/ncnn 在tools/pytorch里最下面有个链接：https://github.com/Tencent/ncnn/wiki/practical-pytorch-to-onnx-to-ncnn（将pytorch转为ncnn） 1、pytorch to onnx 新建pytorch2onnx.p...
pytorch对输入超过三通道的数据进行训练
qq_24946843的博客
09-06 3383
案例背景:视频识别 假设每次输入是8s的灰度视频,视频帧率为25fps,则视频由200帧图像序列构成.每帧是一副单通道的灰度图像,通过pythonb里面的np.stack(深度拼接)可将200帧拼接成200通道的深度数据.进而送到网络里面去训练. 如果输入图像200通道觉得多,可以对视频进行抽帧,针对具体场景可以随机抽帧或等间隔抽帧.比如这里等间隔抽取40帧.则最后输入视频相当于输入一个40通...
pytorch使用cpu加载gpu训练的模型
qq_24946843的博客
07-20 3222
只有使用一块gpu训练的模型才可以使用该方法：就是加载模型的时候在后面加上一个参数map_location='cpu'。然后把所有的.cuda()方法删掉。 模型.load_state_dict(torch.load('训练好的模型路径',map_location='cpu')) 多块gpu训练的模型转cpu参考：https://blog.csdn.net/c654528593/ar...
pytorch十五：生成对抗网络-mnist
qq_24946843的博客
05-05 2392
GAN解决了非监督学习中的著名问题：给定一批样本，训练一个系统能够生成类似的新样本。 生成对抗网络主要包含以下两个子网络： 生成器：随机生成一个噪声，生成一张图片 判别器：判断输入的图片是真图片还是假图片 交替训练： 训练判别器时，需要利用真实图片和生成器生成的假图片，判别器希望判别真实图片尽可能为真，判别生成器生成的图片尽可能为假。（判别器希望能够尽可能地判别真假） 训练生成器...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

东城青年

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

实付元
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