SSD系列算法原理讲解----（3）DSSD、DSOD算法（笔记）

已于 2022-02-17 11:00:16 修改
阅读量2.4k 收藏 2
点赞数
分类专栏： 深度学习 文章标签： SSD DSSD DSOD
于 2019-05-30 19:59:45 首次发布
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_43211132/article/details/90696722
版权
本文介绍了SSD的优化策略，包括DSSD（Deconvolutional Single Shot Multibox Detector）和DSOD（Dense Single Shot Object Detector）。DSSD通过ResNet和反卷积层增强浅层特征表示，提高对小目标的检测。DSOD则能从零开始训练，采用DenseNet结构，克服预训练模型的局限性，实现优秀的目标检测性能。两算法都关注于特征图的融合和上下文信息的利用。
摘要由CSDN通过智能技术生成

SSD系列算法优化及扩展
在这里插入图片描述
对于SSD，通常的优化策略，主要强调对主干网络的改进，和后续预测网络的改进（优化输入的feature map）。
DSSD：

  • 2017年的CVPR，WeiLiu
  • SSD算法对小目标不够鲁棒的最主要的原因是浅层feature map的表征能力不够强
    • 加入上下文信息
    • 更好的基础网络（ResNet）和Deconvolution层，skip连接来给浅层feature map更好的表征能力

在这里插入图片描述
反卷积结合之前的feature map通过相加来完成。由图可看出引入反卷积。通过反卷积可以提出更多的上下文信息，并结合上写文信息用于后续输入。以及后续Bounding box的位置回归和类别分类。

DSOD：

  • 2017年的ICCV2017
  • DSOD可以从0开始训练数据，不需要预训练模型，而且效果可以和fine-tune的模型媲美
  • SSD + DenseNet = DSOD
    • 可以从零开始训练得到一个好的目标检测网络么
    • 如果可以，设计这样的网络有没有什么原则可以遵循

DSO

最低0.47元/天 解锁文章
奔跑的小仙女
关注
专栏目录
SSD系列算法
游泳的鱼的专栏
10-26 200
ssd
SSD系列算法原理讲解----（1）SSD系列算法介绍（主干网络、多尺度Feature Map预测）（笔记）
奔跑的小仙女
05-29 9906
SSD系列算法原理介绍 SSD算法介绍： Single Shot MultiBox Detector（One-stage方法） - Wei Liu在ECCV 2016提出 - 直接回归目标类别和位置 - 不同尺度的特征图上进行检测 - 端到端的训练 - 图像的分辨率比较低，也能保证检测的精度 SSD系列算法原理介绍 主干网络：VGGNet 多尺度Feature Map预测 Default b...
目标检测系列：SSD系列SSD、FSSD、DSSD、DSOD
qq_39382877的博客
07-31 5454
SSD DSSD FSSD DSOD SSD 动机 目前目标检测的一些算法包括基于深度学习的，都是先假定一些候选框，接着对候选框内容进行特征提取再分类，然后再对边框的位置进行修正这一系列的计算，最典型的例如Faster RCNN，虽然准确，但是计算太过于密集，即使是在高端的硬件上，检测的速度也非常慢，难以达到实时检测的要求。 而另一种基于回归的方法例如YOLO算法，虽然达到了实时的要求，...
目标检测之---SSD算法详解
最新发布
qq_52191127的博客
08-12 1722
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。
SSD浅层网络_ssd系列算法总结
weixin_39835147的博客
11-06 153
目标检测算法“one stage ”算法的一个主要的系列算法SSD是比较有代表性，比较有研究价值，效果相对较好，在SSD算法出现之后，后续又有一系列的算法对SSD针对不同的角度进行改进，不同算法效果均有了很大的改善，了解SSD系列算法的特点，有助于理解目标检测算法的一些基本的思想。SSD系列算法的主要文章（仅整理自己读过的几篇论文）：SSD：Single Shot MultiBox Detecto...
论文学习笔记（八）DSOD: Learning Deeply Supervised Object Detectors from Scratch
Custom自定义
01-26 862
『写在前面』 无需借助预训练模型即可达到较高精度的目标检测模型。 论文出处：ICCV 2017 作者机构：Zhiqiang Shen等，复旦大学等 原文链接：https://arxiv.org/pdf/1708.01241 相关repo：https://github.com/szq0214/DSOD 目录 摘要 1 介绍 2 相关工作 3 DSOD DSOD结构 DSO...
SSD、DSSD算法详解
stu_shanghui的博客
06-14 7183
SSD（Single Shot MultiBox Detector） 特点：多尺度特征图用于检测；采用了先验框，,SDD backbone采用VGG-16 SSD和YOLO一样都是采用一个CNN网络进行检测，但是采用了多尺度的特征图，如下图所示： 采用多尺度特征图用于检测 采用步长stride=2的卷积或者pool来降低特征图的大小，比较大的特征图用来检测小目标，比较小的特征图用...
3DSSD-pytorch:3DSSD与Pytorch的实施
05-25
3DSSD-火炬 重要的提示 此实现存在一些错误。 这些错误已在中修复。 感谢他在调试过程中所做的努力，因为编写bug的调试要困难得多。 我已经在框架中实现了3DSSD。 感谢mmlab为3D对象检测提供如此好的框架！！！ 我...
3DSSD-pytorch-openPCDet:在Pytorch中成功实施3DSSD
05-24
3DSSD-pytorch-openPCDet 在Pytorch中成功实施3DSSD 感谢 ！ 3DSSD的此实现主要基于pcdet v0.3。 准备 克隆此存储库 安装Python依赖项。 pip install -r requirements.txt 选项：安装spconv。 请按照的说明进行。...
目标检测学习笔记--DSSD算法
一只特立独行的猪
04-13 1521
1. 论文笔记 1.1 YOLO网络结构 论文链接：http://cn.arxiv.org/pdf/1506.02640 1.2 SSD网络结构 论文链接：http://cn.arxiv.org/pdf/1512.02325v5 SSD具有如下主要特点： （1）从YOLO中继承了将detection转化为regression的思路，同时一次即可完成网络训练 （2）基于Faster RCNN中的...
数据集-从零开始学习SSD目标检测算法训练自己的数据集.pdf
02-09
SSD算法的提出，旨在解决传统多阶段目标检测算法如R-CNN系列中存在的问题，如速度慢、难以实现实时处理等。同时，相较于单阶段算法如YOLO v1在小目标检测方面的不足，SSD通过多尺度特征图预测实现了更好的平衡。 ##...
YOLOv1、YOLOv2、 YOLOv3、SSD DSSD 单阶段目标检测论文
10-11
YOLO是Joseph Redmon和Ali Farhadi等人于2015年提出的第一个基于单个神经网络的目标检测系统。Joseph Redmon和Ali Farhadi发表的YOLO 2进一步提高了检测的精度和速度。
tiny-DSOD小模型目标检测算法
01-17
Tiny-DSOD: Lightweight Object Detection for Resource Restricted Usage,The code is based on the SSD and DSOD framework.
自动驾驶 知识点 Review 2D 感知算法 二（单阶段法 Yolo系列，SSD系列，RetinaNet）
爱学习的大叔的博客
07-27 584
自动驾驶 知识点 Review 2D 感知算法 二（单阶段法 Yolo系列，SSD系列，RetinaNet）
不需要预训练模型的目标检测算法DSOD
I good vegetable a!
03-29 1014
论文：Learning Deeply Supervised Object Detectors from Scratch 1. 前言 DSOD(Deeply Supervised Object Detectors)是ICCV 2017的一篇文章，它表达了一个非常有意思的东西。这篇论文不是从目标检测的高mAP值或者速度更快出发，而是从另外一个角度切入来说明fine-tune后的检测模型和直接训练的...
SSD目标检测算法改进：DSOD（不需要预训练的目标检测算法）
fangfang的专栏
01-19 9166
论文的题目：DSOD: Learning Deeply Supervised Object Detectors from Scratch 论文下载链接：http://openaccess.thecvf.com/content_ICCV_2017/papers/Shen_DSOD_Learning_Deeply_ICCV_2017_paper.pdf 代码地址：https://github.co
复旦大学Ph.D沈志强：用于目标检测的DSOD模型
weixin_34360651的博客
10-24 181
目标检测作为一个基础的计算机视觉任务，在自动驾驶、视频监控等领域拥有非常广泛的应用前景。目前主流的目标检测方法都严重依赖于在大规模数据集（如ImageNet）上预训练初始模型。而在DSOD: Learning Deeply Supervised Object Detectors from Scratch这篇论文中，作者通过分析深度检测模型从头训练存在的...
DSOD回顾：从头训练深度监督目标检测模型
AI公园
06-28 526
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”因公众号更改了推送规则，记得读完点“在看”~下次AI公园的新文章就能及时出现在您的订阅列表中作者：Sik-Ho Tsang编译：r...
物体检测“DSOD: Learning Deeply Supervised Object Detectors from Scratch”
cv_family_z的博客
08-22 3286
code: https://github.com/szq0214/DSOD 亮点是不需要使用ImageNet预训练，设计了一些训练的准则，一个是深度监督（deep supervision）,由DenseNet得到致密的层级连接想法，基于不需要proposal的考虑，选取SSD作为改进的基本版本。DSOD 1. DSOD框架 与SSD类似，是一个多尺度不需要proposal的检测框架。网络有两个
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