SSD论文学习

最新推荐文章于 2024-08-12 14:50:42 发布
最新推荐文章于 2024-08-12 14:50:42 发布
阅读量428 收藏
点赞数
分类专栏： 深度学习经典网络 文章标签： 神经网络 深度学习
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_40502460/article/details/115094228
版权

《SSD:Single Shot MultiBox Detector》 单点多尺度目标检测器

  • 作者：Wei Liu，DragomirAnguelov，Dumitru Erhan
  • 发表会议及时间：ECCV 2016

目标检测 object detection

在这里插入图片描述
随着人工智能技术的发展，目标检测被广泛地应用于各个商业领域，如自动驾驶、安防监控和机器人等，给我们的生活带来极大的改善，有着极大的使用价值，其研究意义可想而知。

目标检测发展历史

在这里插入图片描述

基于手工特征的目标检测

将可疑目标从原始图像中分割出来，然后对分割出来的目标进行特征提取，这些特征都是认为设计的，常用的方法有SIFT、HOG、SURF等等。最后对提取出来的目标进行分类。这里常用的分类器有SVM、Adaboost等等。

  • 面临问题：
  1. 基于滑动窗口的区域选择策略，容易产生窗口冗余
  2. 手工设计的特征对于目标多样性的问题并没有好的鲁棒性

基于深度学习的目标检测

与传统方法不同，随着卷积神经网络的兴起，其对于特征的抽象能力越来越强，于是可以用卷积神经网络对图像进行特征提取，代替手工特征，而且深度神经网络学到的特征鲁棒性以及表达能力特别强，在精度方面上大大提升。

  • 基本方法：
  1. 基于区域提名的目标检测算法
  • 区域提名，即针对图像中目标物体位置，预先提出候选区域的方法。然后再通过卷积神经网络对候选区域进行样本分类，俗称two-stage检测
  • 主流方法：
    R-CNN、Fast R-CNN、Faster R-CNN等。
  1. 基于端到端学习的目标检测算法
  • 无需预先提出候选区域，网络直接预测输出物体的类别概率和位置坐标值，即我们的网络是统一的网络，经过单次检测即可直接得到最终的预测结果，俗称one-stage检测
  • 主流方法：
    YOLO和SSD等。

SSD研究背景

由于one-stage和two-stage检测器都存在这速度和精度平衡的问题，所以，通过借鉴yolo的网络架构，Faster R-CNN中anchor boxes实现多尺度的思想设计出SSD网络。

成果

SSD在PASCAL VOC、COCO和ILSVRC数据集上均获得了最先进的结果，在voc2007测试集中，获得了59FPS和74.3%的mAp,SSD无论是在速度上还是在精度上都超过了当时最快的高精度检测器Faster R-CNN。
在这里插入图片描述

SSD贡献

  1. 速度快
    提出了新的物体检测方法:SSD，比原先最快的YoLo方法，还要快，还要精确。保证速度的同时，其结果的mAP可与 Faster R-CNN相媲美。
  2. 不同层次
    本文中为了得到高精度的检测结果，在不同层次的 feature maps上去 predict object，box offsets，同时，还得到不同 aspect ratio的 predictions
  3. 保证精度
    本文的这些改进设计，能够在当输入分辨率较低的图像时，保证检测的精度。同时，这个整体end-to-end的设计，训练也变得简单。在检测速度、检测精度之间取得较好的 trade-off

摘要 (abstract)

  1. 提出了SSD目标检测算法
    a.基于端对端学习的目标检测
    b.将边界框的输出空间离散化为一组默认框
    c.预结果来自于不同层次的特征图
  2. 介绍了SSD的性能
    a. 300 * 300分辨率的输入voc2007测试集上获得74.3％Map和59FPs
    b. 512 * 512分辨率的输入，获得了76.9％的Map，超过了最先进的FasterRcnn

引言 introduction

  1. 介绍了当前目标检测的常用方法
    step1. 提出候选框
    step2. 对每个框重新取样像素或特征
    step3. 应用高精度分类器分类
  2. 介绍了当前目标检测方法的缺点
    计算量太大，速度慢，不适合实时系统
    提升速度通常以降低精度为代价
  3. 简单介绍了SSD的改进
    a. 不需要预先提出候选框
    b. 不需要像素或者特征的重采样
    c. 采用了多尺度的 fliters
    d. 在多个特征图上预测
  4. 简单介绍了SSD的成果
    速度和精度大幅度提升
  5. 介绍了SSD的贡献
    a. SSD方法的核心是使用小卷积滤波器来预测特征图上固定的一组默认边界框的类别分数和位置偏移。
    b. 为了实现高检测精度，我们从不同尺度的特征图产生不同尺度的预测，并且通过宽高比来明确地分离预测
    c. 总之，这些设计特性得到了简单的端到端训练和高精度，进一步提高速度和精度的权衡，即使输入相对低分辨率图像
    d. 实验包括在 PASCAL VOC， MS COCO和ILSVRC上评估不同输入大小下模型耗时和精度分析，并与一系列最新的先进方法进行比较

介绍 Faster Rcnn和Yolo算法

SSD算法是基于这两种算法的改进。

faster Rcnn算法介绍 (Introduction to faster Rcnn)

  1. 算法介绍
    a. Featrue Extraction使用cnn特取特征
    b. RPN Net生成 proposal
    c. RoiPooling利用 proposa和cnn提取的 featrue得到固定大小的 featrue Map
    d. Classification and regression利用 RoiPooling得到的 featrue进行分类和位置回归
  2. anchor设计
    在 Featrue Extraction的最后一层特征上产生 anchor,每个像素点产生个3种ratio，3种 scale的 anchor

SSD网络结构

在这里插入图片描述

ssd default box设计

default box

  1. default box数量
    default box在不同的 feature层有不同的scale，在同一个 feature层又有不同的aspect ratio，因此基本上可以覆盖输入图像中的各种形状和大小的 object， default box的总数为:
    （38 * 38 * 4+19 * 19 * 6+10 * 10 * 6+5 * 5 * 6+3 * 3 * 4+1 * 1 * 4）=8732
  2. default box公式
    sk=[0.2，0.34，0.48，0.62，0.76，0.9]
    ar={1, 2, 3, 1/2, 1/3}
    宽求解公式:w_k^a=sk* sqrt{a_r}
    高求解公式:h_k^a=sk/ sqrt{a_r}
    当ar=1时，s_k^{’}= sqrt{s_{k}s_{k+1}}
    在这里插入图片描述
    在这里插入图片描述

ssd匹配策略 (Matching strategy)

  1. iou简介
    交并比（ Intersection- over-Union，loU），目标检测中使用的一个概念，是产生的候选框（ candidate bound）与原标记框（ ground truth bound）的交叠率，即它们的交集与并集的比值。最理想情况是完全重叠，即比值为1
  2. 正负样本选取
    将 default box和 grount truth box按照IoU（ JaccardOverlap）进行匹配，匹配成功则这个default box就是 positive example（正样本）；如果匹配不上，就是 negative example（负样本）.在本论文中我们的iou阈值为0.5。

ssd损失函数（Loss Function）

  1. 位置损失
    只对正样本求解位置损失，损失函数采用Smooth L1
  2. 置信度损失
    参与损失的样本采用难例挖掘策略，损失函数用 softmax loss
  3. 总损失
    位置损失和置信度损失加权求和
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

ssd难例挖掘 （Hard negative mining）

  1. 难易样本简介
    简单负样本:与g没有任何交集
    简单正样本:与gt集远大于阈值
    困难负样本:与g有交集，但小于阈值
    困难正样本:与gt有交集，略大于阈值
  2. 难例挖掘策略
    a. 选取所有正样本，数量k
    b. 对所有负样本求loss，递减排序，取前3k
    c. k个正样本，3k个负样本参与损失计算
    在这里插入图片描述

ssd数据增强 (Data augmentation)

  1. 数据增强目的
    使得该算法对输入的不同大小和不同形状的目标具有更好的棒性。
  2. 数据增强方法
    水平翻转、裁剪、放大和縮小等。
  3. 数据增强效果
    通过采用数据增强明显提升了算法的性能。

ssd对比 Faster Rcnn (SSD contrast Faster Rcnn)

SSD跟 faster-RCNN比，在精度（MAP指标）几乎保持不变的情况下，速度提升非常多，达到实时级别

  1. ssd属于端对端学习
  2. default box在不同特征图上有不同的大小

ssd对比Yolo (SSD contrast YOLO)

SSD与YOLO相比，不仅速度快同时精度大大提高

  1. SSD用CNN来直接进行检测，而YOLOv1使用全连接进行检测
  2. SSD在多个层次上进行预测，增加了多尺度的鲁棒性
  3. SSD采用了 Faster rcnn中的 anchor技术，利用不同长宽比先验框进行对象检测;而YOLOv1没有用 anchors技术。

SSD实验（The exper iment of SSD）

  1. 基础网络:我们的实验基于VGG16网络，在 SVRC CLS-LOC数据集预训练
  2. 类似于 DeepLab-LargeFoV [16].将fc6和fc7转换为卷积层，从fc6和fc7两层采样得到参数
  3. 将pool5从2×2-s2更改为3×3-s1，并使用atrous算法填“洞”。
  4. 删除了所有的dropout层和fc8层
  5. 使用SGD对这个模型进行fine-tune，初始学习率0.001，0.9 momentum,0.0005 weight decay， batch大小32
  6. 使用conv4_3，conv7（fc7），conv8_2，conv9_2，conv10_2和pool11来预测位置和置信度
  7. 用“xavier”方法初始化所有新添加的卷积层的参数
  8. 由于conv4_3的大小较大（38×38），因此只在其上放置3个默认框:一个0.1比例的框和另外纵横比为1/2和2的框，对于所有其他层，我们设置6个默认框
  9. conv4_3层采用L2正则化技术，将特征图中每个位置处的特征范数缩放为20

ssd之 Atrous

  1. Atrous介绍
    空洞卷积（ atrous convolutions） 又名扩张卷积（ dilated convolutions），向卷积层引入了一个称为“扩张率（ dilation rate）的新参数，该参数定义了卷积核处理数据时各值的间距。
  2. Atrous优点
    在相同的计算条件下，空洞卷积提供了更大的感受野。空洞卷积经常用在实时图像分割中。当网络层需要较大的感受野，但计算资源有限而无法提高卷积核数量或大小时，可以考虑空洞卷积。
    在这里插入图片描述

ssd分析 (The analysis of the SSD)

  1. Data augmentation is crucial
  2. More default box shapes is better
  3. Atrous is faster
  • ssd存在的问题
    由于浅层提取的 feature map表征能力不够强，导致ssd对小目标不够鲁棒

论文主要创新点

  1. 多尺度
    融合多级的 feature进行预测
  2. anchor思想
    设计各种形状大小的默认框
  3. 多种网络细节和训练技巧
    Atrous，数据增强，难例挖掘
天涯小才
关注
专栏目录
SSD论文解读
qq_41825891的博客
11-16 3970
Abstract： SSD在许多特定位置生成具有不同的高宽比和size的锚框，通过预测锚框的类别和与与之对应真实边缘框的偏差来训练网络。SSD可以实现多尺度目标检测。SSD比two-stage的目标检测算法更简单。SSD在许多数据集上超越了Faster R-CNN，并且与其他one-stage方法相比，SSD在输入图像尺寸较小的情况下，具有更高的精度。 1.Introduction（研究现状） Faster R-CNN虽然准确，但对于嵌入式系统来说计算量太大，即使是在高端硬件上，对于实时应用程序来说也
SSD 论文详解
dexterod的博客
03-12 8323
SSD: Single Shot MultiBox Detector （ECCV 2016） 声明：笔者翻译论文仅为学习研究，如有侵权请联系作者删除博文，谢谢！ 源论文地址：https://arxiv.org/abs/1512.02325 源论文代码：https://github.com/weiliu89/caffe/tree/ssd 笔者践行代码：【tensorflow版本正在整理中~】 注：文...
SSD论文翻译（SSD: Single Shot MultiBox Detector）
03-06
本资源是本人翻译的Single Shot MultiBox Detector的一文，出自于2016年，主要内容是完成行人重识别的网络构建，不仅提高了识别准确率，并且提高了是别的速度。其中，作者的一些设计思路很有启发。
深度学习笔记（七）SSD 论文阅读笔记简化
weixin_30871905的博客
08-29 677
一. 算法概述 本文提出的SSD算法是一种直接预测目标类别和bounding box的多目标检测算法。与faster rcnn相比，该算法没有生成 proposal 的过程，这就极大提高了检测速度。针对不同大小的目标检测，传统的做法是先将图像转换成不同大小（图像金字塔），然后分别检测，最后将结果综合起来（NMS）。而SSD算法则利用不同卷积层的feature map进行综合也能达到同样的...
目标检测之---SSD算法详解
最新发布
qq_52191127的博客
08-12 1798
SSD模型在2016年由Wei Liu等人提出，并迅速成为对象检测领域的重要工具。随着深度学习技术的不断发展，SSD在许多应用中被广泛使用，如自动驾驶、视频监控、智能安防等。SSD（Single Shot MultiBox Detector）是一种用于对象检测的深度学习神经网络架构。它主要用于在图像中检测和识别多个对象，同时预测这些对象的类别和位置。SSD在速度和精度之间达到了很好的平衡，使其成为实时应用中非常流行的选择。
论文阅读: SSD
JNing
05-04 666
Introduction SSD是第一个利用到不同scale的feature map进行生成anchor操作的算法。在论文中提到的“default box”，其实就是“anchor”： 既然第一个意识到可以好好开发多层的feature map，那么SSD一下子对各层feature map进行了大开发。具体地，SSD分别在 conv4_3、fc7、conv8_2、conv9_2、conv10...
SSD论文翻译
08-17
这篇压缩包中的内容主要包括SSD的英文原文论文以及经过校正的中文翻译版本，为研究者和学习者提供了便利的参考资料。 目标检测是计算机视觉任务的一个重要分支，其目标是识别图像中的特定对象并定位它们的位置。SSD...
SSD 论文与项目总结
s000da的博客
09-12 386
一、SSD论文 总体描述 SSD全程为single-shot multibox detection，其中一个要点single shot的意思是将分类和回归的loss在同一个过程中计算；另一个要点multibox，即算法中预先设定好一些列不同scale、不同aspect ratio的default box，这些box的一部分框作为最终输出框。SSD的检测结果，在性能和速度上的综合性能比同时...
SSD论文阅读
qq_36095512的博客
12-28 489
SSD:Single Shot MuiltiBox Dectector论文阅读 实时one-stage目标检测：端到端训练，比YOLO更快但准确度和Faster RCNN相当 预测类别分数和相对于gt box的位置偏移 在不同层级的feature map预测不同宽高比DBox(Default Box,类似于archor)，以检测不同形状和宽高比的物体 网络架构 VGG结构加多层feature...
SSD系列论文包括最近两年顶会论文和SSD变式经典论文附带论文时间.zip
04-30
目标检测SSD系列论文合集 包括了2016年ECCV SSD论文，2018 ECCV RFBNet,2018 CVPR Single Shot Refinement Neural Network,及SSD各个变式演变论文。
论文理解：SSD
水不在深有江的博客
08-06 1230
作者认为，当前的目标检测系统虽然准确，但是对于嵌入式系统甚至高端硬件来说仍需要大量集中的计算，对于即时应用仍然太慢了。于是在本文中提出了SSD（Single Shot MultiBox Detector）。 SSD架构如下： 如图（a）SSD在训练期间仅需要每个对象的输入图像和对应的ground truth box(真实标签框)。卷积处理时，我们在具有不同尺度（例如（b）和（c）中的8×8...
【论文阅读】SSD论文详解
想当咸鱼的猫
11-15 4388
The Single Shot Detector 1 Model 模型架构精简版 模型架构细节版 1.1 Multi-scale feature maps for detection 我们在基础网络（VGG）的后面增加了不同大小的卷积层，使得特征图经过这些卷积层的大小逐渐减少，从而使得网络能够在不同尺度进行检测。 具体来说： VGG网络Conv5_3之间称为基础网络，用来提取图像特征 将VGG网络中MaxPool5的大小从2x2-s2改为3x3-s1 将VGG网络中的FC6和FC7分别改为卷积层Co
【深度学习-目标检测】04 - SSD 论文学习与总结
qq_43513394的博客
12-26 1589
单一深度神经网络用于对象检测：SSD方法使用一个单一的深度神经网络来直接检测图像中的对象，这与传统的需要先生成 对象提议（区域提议）再进行分类的方法不同。传统的目标检测网络是”Two Stage“算法，SSD 是”One Stage“算法离散化的输出空间：SSD通过将边界框（Bounding Boxes）的输出空间离散化为一组宽高比和尺度的默认框，来实现对对象的检测。”连续化“的输出空间。
深度解析SSD论文
沐雨金鳞
04-07 799
当前深度学习通用目标检测框架分为两大类： 1、基于候选区域的深度学习目标检测算法 2、基于回归的深度学习目标检测算法
SSD论文详解：深度学习目标检测新突破与模型架构解析
首先，作者指出SSD论文针对早期目标检测模型如Faster R-CNN存在的速率问题，提出了一种革命性的方法。SSD的主要贡献包括： 1. 高效架构：SSD是首个基于深度学习的单阶段目标检测模型，相较于需对候选区域进行像素级...
评论 1
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

天涯小才

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