论文理解：SSD

最新推荐文章于 2024-08-07 21:24:34 发布
最新推荐文章于 2024-08-07 21:24:34 发布
阅读量1.2k 收藏 2
点赞数
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/stezio/article/details/81455785
版权
SSD（Single Shot MultiBox Detector）是为了解决目标检测系统的速度和计算需求问题而提出的。它基于前馈卷积网络，通过在不同尺度的特征图上评估默认框来实现多尺度检测。训练过程中，SSD使用Smooth L1和Softmax损失函数，通过匹配默认框与ground truth box进行学习。在检测阶段，采用非最大化抑制得到最终检测结果。SSD的优势在于其效率和准确性，适合即时应用。
摘要由CSDN通过智能技术生成

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和4×4）的若干特征图中的每个位置处评估不同横宽比的小（例如4个）默认框集合。对于每个默认框，我们预测对所有对象类别（（c 1，c2，...，cp））的形状偏移和置信度。在训练时，我们首先将这些默认框匹配到ground truth box。例如，两个默认框匹配到猫和狗，这些框为正，其余视为负。模型损失是位置损失（例如Smooth L1）和置信损失（例如Softmax）之间的加权和。

对于ground truth box解释https://www.zhihu.com/question/22464082

SSD基于前馈卷积网络，其产生固定大小的边界框集合和框中对象类别的分数，接着是非最大化抑制步骤以产生最终检测。网络浅层基于高质量图像分类（在任何分类层之前截断网络）的标准网络，作者称其为“基础网络”。接着在后面添加辅助结构，产生具有以下关键特征的检测：

多尺度特征图检测：将卷积特征层添加到截断的基础网络的末尾。这些层尺寸逐渐减小，得到多个尺度检测的预测值。检测的卷积模型对于每个特征层是不同的（图中选取了VGG-16作为例子，并与YOLO进行了对比）：

 

最低0.47元/天 解锁文章
龙骑士尹志华
关注
SSD 论文详解
dexterod的博客
03-12 8232
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...
论文笔记：SSD（Single Shot MultiBox Detector）
牛顿爱吃香蕉的博客
04-06 1186
文章目录1、概述2、SSD 1、概述 通常目标检测系统的套路是： 假设边界框 重采样每个框的像素或特征 使用高质量分类器 这个套路虽然管用，但是计算量太大，见效慢，应用在嵌入式系统中，即使使用高端硬件也很难达到实时运算速度。 作者提出了一种称之为 SSDSSDSSD 的方法，它将边界框输出空间离散化为每个特征图位置下的具有不同纵横比和尺度的一组默认框。预测时，网络为每个默认框生成各目标类出现在...
SSD论文理解
weixin_30545285的博客
03-01 321
SSD论文贡献： 1. 引入了一种单阶段的检测器，比以前的算法YOLO更准更快，并没有使用RPN和Pooling操作； 2. 使用一个小的卷积滤波器应用在不同的feature map层从而预测BB的类别的BB偏差； 3. 可以在更小的输入图片中得到更好的检测效果（相比Faster-rcnn）； 4. 在多个数据集（PASCAL、VOC、COCO、ILSVRC）上面的测试结果表明，它可以获得...
SSD 论文总结
最新发布
2301_80740635的博客
08-07 806
这篇文章中作者在网络的六个不同的层次提取了特征，最后将这些特征结合，让网络有了多尺度检测的能力，而且这个网络的速度相比于当时先进的two-stage网络（如：Faster R-CNN）有更快的速度和更高的准确率。SSD不同于目前比较主流的sliding windows和region proposal，它主要依靠不同尺度上的default boxes进行检测，避免了像sliding windows那样低效的方式，使得检测的速度更快。还结合了不同尺度的特征，使他有着更高的精确度。
【论文阅读】SSD论文详解
想当咸鱼的猫
11-15 4318
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
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。
SSD论文的概括理解
CSDNbaiduyun的博客
07-27 648
论文题目：Single Shot MultiBox Detector 论文地址：http://arxiv.org/abs/1512.02325 首先展示一下SSD的结构图   我的感觉是SSD是在YOLO与faster的基础之上进行创新得到的一个新的网络，SSD与YOLO一样都是端到端，SSD又采用的faster提出来的anchor，SSD的创新点就是不是只在最后的一层特征图上采用an...
SSD-pytorch：SSD：单发MultiBox Detector pytorch实施着重于简单性
03-04
SSD：单发MultiBox检测器 介绍 这是我的2种模型的pytorch实现： SSD-Resnet50和SSDLite-MobilenetV2 。 这些模型基于论文描述的原始模型（SSD-VGG16）。 此实现支持混合精度训练。 SSD Resnet50的输出示例。 动机 ...
单阶段的目标检测网络论文集合：YoLo、YoLoV2、YoLoV3、SSD、DSSD
10-23
单阶段目标检测网络是计算机视觉领域中的重要技术，主要用于图像中的物体识别与定位。相比于传统的两阶段检测方法，如R-CNN...通过阅读这些论文，你可以深入理解这些模型的设计思路，为自己的项目选择合适的检测算法。
单阶段多层检测器：SSD （理论及Pytorch代码详解）
2401_84046816的博客
04-20 749
数据增强的总体流程代码如下：def。
目标识别：SSD 论文及pytorch代码学习笔记
热门推荐
zxd52csx的博客
09-20 2万+
论文：https://arxiv.org/pdf/1512.02325.pdf 代码：https://github.com/amdegroot/ssd.pytorch 目录 一 介绍 SSD 的特点和贡献： 二 SSD网络结构： 模型的输入与输出 三 模型训练 matching规则 训练目标（损失函数） 强力挖掘（Hard negative mining）  pytorch代...
翻译SSD论文(Single Shot MultiBox Detector)
12-21
翻译SSD论文(Single Shot MultiBox Detector) ，转载仅作交流~
SSD - Single Shot MultiBox Detector 论文解读
JerryZhang__的博客
02-25 1193
title: Single Shot MultiBox Detector paper link: https://arxiv.org/pdf/1512.02325.pdf github: https://github.com/balancap/SSD-Tensorflow 文章基本思路： SSD的基本思路是将目标检测的Bbox的输出空间离散化为多个不同尺度的feature map上每个位置上的一系...
深度解析SSD论文
u013044310的博客
04-18 5128
前言：以前对SSD算法只有一个比较粗浅的理解，这周为了在组会上讲清楚SSD算法，自己又仔细看了好几遍论文，算是抠得比较细的一篇论文了，总结如下。 一、背景 当前基于深度学习的通用目标检测框架主要分为两大类，一类是基于候选区域选择的深度学习目标检测算法，该方法将检测分两步完成，其基本步骤是：第一步生成可能存在目标的区域，第二步将每个该区域都输入分类器中进行分类，去掉置信度较低的候选区域，并修置信...
SSD论文解读
qq_43820692的博客
02-19 327
SSD（SingleShotDetector）论文解读 一、相关背景 速率问题：在目标检测的速率上明显存在问题，此前最快的检测模型为Faster R-CNN（速率为每秒钟7帧） 二、主要贡献 提出了第一个基于目标检测的深度神经网络，不需要为回归框重新取样像素或特征，而且和之前的方法同样精确。 在检测速率和检测精度上有了较大的提高。 为了实现高精度检测，作者对于不同尺寸的特征图提出了不同的预测...
Object Detection -- 论文SSD(SSD: Single Shot MultiBox Detector)解读
DFan的NoteBook
10-15 3973
SSDIntroduction基于“Proposal + Classification” 的 Object Detection 的方法，R-CNN 系列取得了非常好的结果，但是在速度方面离实时引用还差的比较多。前面讲的YOLO虽然能够达到实时的效果，但是在准确度上与the-state-of-art 的结果有很大的差距。YOLO 的问题在于：每个网格只预测一个物体，容易造成漏检；对于物体的尺度相对比较
SSD论文学习
calvinpaean的博客
11-20 4613
SSD: Single Shot MultiBox DetectorAbstract1. Introduction2. The Single Shot Detector(SSD)2.1 Model2.2 训练3. Experiments 论文地址：https://arxiv.org/abs/1512.02325 Abstract 作者呈现了一种仅需要单个深度神经网络的目标检测方法 — SSD。SS...
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