深度图像识别系列笔记-11. SSD算法优化及拓展

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，只有proposal-free方法可以从林开始训练并收敛（POI pooling)
2) DenseNet中更多的skip connetions实现supervised signals
3）增加dense blocs数量区别于原先的固定数量
4） Stem Block优化，（3个33卷积层和一个22的最大池化层）
5）6个尺寸特征图进行目标检测，再融合（利用特征图）