SSD存在的问题及改进

最新推荐文章于 2023-02-05 08:30:14 发布
最新推荐文章于 2023-02-05 08:30:14 发布
阅读量2k 收藏 6
点赞数 1
分类专栏： dl学习
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_38897423/article/details/103568775
版权

DSSD：
改进SSD算法对于小目标不够鲁棒（原因：浅层FeatureMap表征能力不够强）
1、使用ResNet，采用skip连接
2、使用Deconvolution层强化浅层FeatureMap
在这里插入图片描述
DSOD：
1、从零开始训练模型、不需要预训练模型
2、DenseNet+SSD
在这里插入图片描述

FSSD
RSSD

用技术仰望星空
关注
专栏目录
SSD算法的改进版之R-SSD
AI之路
08-12 2万+
论文：Enhancement of SSD by concatenating feature maps for object detection 论文链接：https://arxiv.org/abs/1705.09587算法详解： SSD算法在object detection领域的效果有目共睹，是proposal-free方面的代表算法之一，如果你对SSD算法不大熟悉，可以看看这篇博客：SSD（
基于改进SSD的车辆小目标检测方法
m0_62870606的博客
02-08 1319
基于改进SSD的车辆小目标检测方法 人工智能技术与咨询 来源：《应用光学》，作者李小宁等 摘要：地面车辆目标检测问题中由于目标尺寸较小，目标外观信息较少，且易受背景干扰等的原因，较难精确检测到目标。围绕地面小尺寸目标精准检测的问题，从目标特征提取的角度提出了一种特征融合的子网络。该子网络引入了重要的局部细节信息，有效地提升了小目标检测效果。针对尺度、角度等的变换问题，设计了基于融合层的扩展层预测子网络，在扩展层的多个尺度空间内匹配目标，生成目标预测框对目标定位。在车辆小目标VEDAI(vehi..
ssd算法及相关算法改进
01-08
SSD算法相关合集，收纳了以SSD算法为基础的改进目标检测算法
SSD EFTL 改进日志
朱胜本的专栏
07-28 199
发现如果使用块数太少，根本不会调用GC ，也就是没有erease操作，10000不行 从parv文件里可以看出一共有1G = 512k * 2097152 扇。 而flash.h中定义一块64页，一页4扇 故 = 524288 页 = 8192块（实际上还有extra block ，nand_blk_nom = 8448 因此考虑1：修改parv文件，将块号改少2：用更长的trace，3：...
暴力改进SSD | 小目标检测的福音
CV_Autobot的博客
02-05 1151
作者|小书童 编辑| 集智书童点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心技术交流群小目标检测是一个具有挑战性的问题。在过去的几年里，卷积神经网络的方法取得了相当大的进展。然而，目前的检测器却难以实现对小尺度物体的有效特征提取。为了解决这一挑战，本文提出了图像金字塔Single-shot检测器（IPSSD）。在IPSSD中，采用Single-sh...
SSD改进版本来啦！PSSD携实时性与高精度归来！
CV_Autobot的博客
11-02 1205
点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【目标检测】技术交流群后台回复【2D检测综述】获取鱼眼检测、实时检测、通用2D检测等近5年内所有综述！背景和目标：深度学习在各种任务中表现出色。其中，单阶段目标检测器（SSD）主要依靠分类网络来提取特征，多个特征图来预测，以及分类置信度来指导对重叠预测框的过滤。然而，仍有两个问题导致一些不准确的结果：在特征提取...
基于改进的SSD深度学习算法的双目视觉纱筒识别定位.pdf
08-18
在纺织行业转型升级过程中，传统视觉技术在对多种颜色纱筒的识别和定位上存在准确率较低的问题。为了解决这一难题，本文提出了一种基于改进的SSD（单次检测多框定位器）深度学习算法的双目视觉纱筒识别定位方法。...
基于改进的SSD监理目标检测研究.docx
07-13
为了解决这些问题，文献中提出了一系列改进SSD的策略。例如，引入全局上下文模块增强特征提取，通过K-means聚类优化默认框的数量和比例，增加残差模块以包含更多语义信息，使用空间和通道注意力机制扩大感受野，用轻...
SSD目标检测算法改进
最新发布
09-20
然而，SSD算法在处理小目标时存在一些局限性，容易出现误检和漏检的问题。为了改进SSD算法的性能，在一些研究中提出了一些改进方法。 一种改进的方法是使用多尺度特征图来改善小目标的检测。通过在不同尺度的特征图...
计算机视觉之SSD改进版本(平滑L1范数损失与焦点损失)《4》
深度学习领域优质创作者，CSDN博客专家
12-09 1262
损失函数的改良，使得模型的学习更加优化
SSD图像匹配算法
05-08
SSD图像匹配算法的matlab源程序，其中还包括NCC源程序
基于改进SSD算法的小目标检测与应用
m0_62870606的博客
04-02 7544
人工智能技术与咨询 点击蓝字 · 关注我们 来源：《计算机科学与应用》，作者刘洋等 关键词: SSD；深度学习；小目标检测 摘要： 摘要:针对通用目标检测方法在复杂环境下检测小目标时效果不佳、漏检率高等问题，本文对SSD小目标检测算法进行改进。利用训练损失的反馈作为判断条件，结合数据增强提高模型对复杂环境的抗干扰能力，降低小目标的漏检率，在网络中引入注意力机制，增加SENet (Squeeze-and-Excit...
SSD浅层网络_【CV中的特征金字塔】八，SSD的改进版之DSSD
weixin_39788382的博客
11-20 393
论文原文：https://arxiv.org/abs/1701.066591. 前言DSDD全称为Deconvolutional Single Shot Detector，即在SSD算法的前面加了一个反卷积单词，这是CVPR 2017的一篇文章，主要是对SSD进行了一个改进。关于SSD的详细解释请看目标检测算法之SSD，然后关于反卷积请看深入理解神经网络中的反(转置)卷积。2. DSDD算法的贡...
SSD系列算法扩展与优化
凌桑的自我修养--You are the Eternity
03-29 3337
#SSD算法缺陷 1）存在重复框的问题； 2）对小目标检测不够鲁棒（因为浅层feature map的表征能力不够强） 因此，针对以上问题，对传统SSD算法进行了扩展和优化；优化主要从两部分下手，一个是从主干网络，比如将传统的VGG16换成ResNet、DenseNet、MobileNet等；另一个则是从预测网络着手，寻找更好的特征表征方式来提高模型性能，比如通过反卷积引入上下文信息，丰富不同fea...
SSD网络结构优劣分析
热门推荐
一新新的小白的博客
06-06 1万+
SSD算法的优点应该很明显：运行速度可以和YOLO媲美，检测精度可以和Faster RCNN媲美。除此之外，还有一些鸡毛蒜皮的优点，不解释了。这里谈谈缺点： 需要人工设置prior box的min_size，max_size和aspect_ratio值。网络中prior box的基础大小和形状不能直接通过学习获得，而是需要手工设置。而网络中每一层feature使用的prior box大小和形状恰...
论文解读：SSD算法
pangxing6491的博客
11-18 277
SSD论文笔记：https://blog.csdn.net/chenghaoy/article/details/85263060 SSD原理解析：https://blog.csdn.net/qq_38675397/article/details/106440638
SSD算法详解
不精，不诚，不足以动人
08-16 2327
目录 SSD算法在目标检测领域的位置： SSD算法口头概述： 优缺点 网络结构图 正负样本选择： 损失函数： 其他细节： SSD算法在目标检测领域的位置： SSD算法口头概述： 输入：300*300*3的图像。 骨干网络：VGG 16 再加10个卷积层 6个特征图输出：从骨干网中6个不同深度位置抽取feature map，每个位置的feature map会经过两个输出路线，一个路线feature map经过1个卷积层，直接输出4或6个anchor框的坐标回归信息。另一个路线fea
深度图像识别系列笔记-11. SSD算法优化及拓展
u012858839的博客
07-26 433
DSSD SSD算法对于小目标不够鲁邦，主要原因是浅层feature map的表征能力不够强。 DSSD增加了上下文信息，且用了更好的基础主干网络（ResNet）和 Deconvolution层，skip链接来给浅层feature map更好表征能力 DSOD DSOD可以从0开始训练，不需要预训练模型，而且效果可以和fine-tune的模型媲美 SDD+ DenseNet = DSOD 核心思想在于从零开始训练一个目标检测网络 - 设计原则 1） 基于候选区域提取的方法无法从零开始训练、不收敛
YOLO、SSD实战：手把手教你做目标检测
04-12
目标检测算法实战教程，常用目标检测算法原理详解，经典网络模型结构特点解读。本课程从卷积神经网络开讲，介绍目标检测算法领域的常用算法和经典模型。理论与实战相结合，在服务器端一步步演示如何采用YOLO、SSD针对自己的检测目标进行训练，以及其中的一些技巧和经验。同时讲解如何对YOLO、SSD进行改进和创新，将其他技术与模型引入到原有模型中，并将自己的模型移植到安卓端。
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
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