【目标检测】关于yolov2和ssd框架详细比较【初稿】

最新推荐文章于 2024-07-29 09:11:11 发布
最新推荐文章于 2024-07-29 09:11:11 发布
阅读量1w 收藏 16
点赞数 3
文章标签： O
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/weixin_40172297/article/details/80496553
版权
本文详细比较了两种流行的目标检测框架——SSD和Yolov2。首先介绍了SSD（Single Shot MultiBox Detector）的工作原理，强调其多尺度预测和先验框的使用。接着深入探讨了Yolov2的优势，包括全卷积网络、锚点机制和批归一化等改进。通过对两者的分析，读者可以更好地理解它们在实际应用中的选择依据。
摘要由CSDN通过智能技术生成

    最近一直没有继续看文献，刚刚将ssd的代码调通。实验室的席大师上次在讨论班中对yolov2和v3做了简单的介绍。个人感觉跟SSD框架在大方向上并没有过多差异，所以，准备对SSD以及yolov2+做一些个人理解的阐述。仅供大家参考。

1.SSD

    SSD是北卡罗来纳大学的刘威在ECCV 2016提出的，它较于之前one-satge的yolo无论在准确度还是速度上面都有了较大的提升。在我看来，SSD的框架设计过程是faster rcnn 和yolo 两框架的结合，都将其最有优势的地方进行了完美结合。例如，fasetr中anchor box 的引入（SSD中成为default  box).针对yolo中提出的基于网格的划分，ssd中也同样采用（文章当中是这么说的，但其实只是个概念问题，无论是在ssd,yolo系列，还是faster，都是对feature map 上进行逐点操作，所以并不存在网格区域的划分，即该过程并没有加速的过程）接下来，我将对两框架进行详细说明。文笔有限，语言逻辑不通顺的地方请私我！
     放一张SSO tutorial 中各个框架的效果比较图：

 
    首先比较一下ssd与faster，ssd采用faster中anchor box的辅助手段进行训练，同时去掉比较耗时的rpn阶段（fa
最低0.47元/天 解锁文章
viper_mdl
关注
机器学习笔记 - 基于Torch Hub和YOLOv5和SSD的目标检测
学以致用 知行合一
05-11 1995
对象检测是一个很有意思的领域。让机器识别图像中物体的确切位置有各种各样的关键用途。从人脸检测系统到帮助自动驾驶汽车安全导航，不胜枚举。 YOLO 或“ You Only Look Once ”（2015 年）引入了一种巧妙的方法来解决简单CNN检测器的缺点。我们将每个图像分割成一个S × S网格，得到每个单元格对应的对象位置。当然，有些单元格不会有任何对象，而有些单元格会出现在多个单元格中，见下图。
浅析目标检测入门算法：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4
专注“目标检测”领域技术分享
09-07 3982
本文致力于让读者对以下这些模型的创新点和设计思想有一个大体的认识，从而知晓YOLOv1到YOLOv4的发展源流和历史演进，进而对目标检测技术有更为宏观和深入的认知。本文讲解的模型包括：YOLOv1,SSD,YOLOv2,YOLOv3,CenterNet,EfficientDet,YOLOv4。
[深度学习]目标检测框架——SSD
weixin_43330397的博客
05-31 1879
一、简介 SSD只需要一张输入图片和ground truth box（真实的边界框）就可以开始训练. 1、在不同尺寸特征图的每个位置上，选取不同长宽比生成一系列的default box，在用卷积预测classification+buonding box regression二部分【1是各个类别的置信度或者评分，2是边界框的预测值】 2、是default box相对于边界框的转换值 一、网络...
SSD+YOLO
wuhui868的专栏
03-30 1965
SSD的主要思想： 1.全卷积网络 2.anchor设计 3.多尺度特征融合#anchor设计： ssd一共使用了6个不同尺度的特征，每个尺度产生6个不同形状的anchor 1.低维度的特征图尺度大，点比较密集，使用的anchor较小，适合检测小目标 2.高维度的特征图尺度小，点比较稀疏，使用的anchor较大，适合检测大目标 每个anchor的位置计算： 1.首先计算每个网格中心点
了解目标检测：两阶段检测（Two-Stage Detection）、单阶段检测（Single-Stage Detection）和区域建议网络（RPN）
最新发布
fydw_715的博客
07-29 1268
在两阶段检测中：RPN作为生成候选区域的关键组件，通过滑动窗口和锚点机制在特征图上生成高可能包含目标的候选区域。随后这些区域被进一步分类和调整，以提高检测精度。在单阶段检测中：没有RPN，直接在图像或特征图上进行预测。这减少了计算复杂度，但可能牺牲了一些细粒度的检测精度。Faster R-CNN：约100-200毫秒/图像YOLOv3：约22毫秒/图像Mask R-CNN：约200-300毫秒/图像YOLOv4：约30毫秒/图像Cascade R-CNN：约150-250毫秒/图像。
使用SSD检测框架训练自己的数据
zhu_Lydia的博客
03-31 421
数据集做好后，训练程序为/examples/ssd/ssd_pascal.py，运行之前，我们需要修改相关路径代码,主要是训练路径的修改和关于自己数据集参数的一些修改.cd /examples/ssd先复制一份ssd_pascal.py， 再打开,把里面的路径修改为自己的.具体有如下：train_data路径；test_data路径；save_dir、snapshot_dir、job_dir、ou...
目标检测　ssd yolo rcnn 算法的原始框架介绍
计算机视觉
01-18 464
ssd --> caffe　　　　　作者：　刘伟 yolo -->　darknet　　　作者：　Joseph Redmon faster rcnn --> matlab　作者：　何凯明　任少卿　Ross Girshick
YOLO与SSD的区别
Hello Word!
11-03 5737
YOLO 将物体检测这个问题定义为bounding box和分类置信度的回归问题。 将整张图像作为输入，划分成SxS grid，每个cell预测B个bounding box（x, y, w, h）及对应的分类置信度（class-specific confidence score）。分类置信度是bounding box是物体的概率及其与真实值IOU相乘的结果。 SSD 将物体检测这个问题的解空间，抽象为一组预先设定好（尺度，长宽比）的bounding box。 在每个bounding bo
【目标检测】YOLOV2详解
qq_38375203的博客
06-28 7612
前面我们已经讲解过了YOLOV1，因此在这里我会接着前几天的讲解，进一步写一下YOLOV2的基本思想和改进。YOLOv2的论文全名为YOLO9000: Better, Faster, Stronger，它斩获了CVPR 2017 Best Paper Honorable Mention。在这篇文章中，作者首先在YOLOv1的基础上提出了改进的YOLOv2，然后提出了一种检测与分类联合训练方法，使用这种联合训练方法在COCO检测数据集和ImageNet分类数据集上训练出了YOLO9000模型，其可以检测超过9
单阶段的目标检测网络论文集合：YoLo、YoLoV2、YoLoV3、SSD、DSSD
10-23
本压缩包包含了一些经典的单阶段目标检测模型的论文，包括YoLo、YoLoV2、YoLoV3、SSD以及DSSD，这些模型在深度学习的发展中起着关键作用。 1. **YoLo（You Only Look Once）**： - YoLo是由Joseph Redmon等人在...
56.YOLO v3、SSD、Faster-RCNN目标检测算法对比 - 学习教程 - dt猫1
08-03
综上所述，YOLO v3、SSD和Faster R-CNN在目标检测上各有优势。YOLO v3在速度和适应性上有出色表现，SSD则因其简洁的结构和多尺度特征提取适合实时应用，Faster R-CNN虽然较慢，但在精度和处理复杂场景方面表现出色。...
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。
从YOLO到SSD再到YOLO9000（三）
fruit的博客
03-14 2967
YOLOv2与YOLO9000 摘要 前篇介绍了基于回归方法的深度学习目标检测方法（YOLO，SSD），本篇将介绍YOLO的升级版YOLOv2，其主要有两个大方面的改进：（1） 使用一系列的方法对YOLO进行了改进，在保持原有速度的同时提升精度得到YOLOv2；（2） 提出了一种目标分类与检测的联合训练方法，通过WordTree来混合检测数据集与识别数据集之中的数据，同时在COCO和Ima...
YOLOv3和SSD区别
u010948546的博客
10-19 7276
从0到1 实现YOLO v3 （Part one）：https://mp.weixin.qq.com/s/Pdp_07KJ8Q5GqLxLFHvkcg YOLO_V3 原理以及训练说明：https://blog.csdn.net/chandanyan8568/article/details/81089083 目标检测网络之 YOLOv3：https://www.cnblogs.com/make...
yolov3与SSD区别
u010848594的博客
05-29 2729
参考自 https://github.com/lufficc/SSD https://github.com/eriklindernoren/PyTorch-YOLOv3 https://blog.csdn.net/BlowfishKing/article/details/80485006 https://zhuanlan.zhihu.com/p/63630903 1.对于特征的混合 首先看SSD的模型 class SSDDetector(nn.Module): def __init__(self,
【计算机视觉】SSD和YOLO的区别
热门推荐
littlemichelle
03-16 1万+
从0到1 实现YOLO v3 （Part one） yolo-v3和SSD的一些对比
SSD【论文笔记】/ SSD / YOLOv1 / YOLOv2对比
Bryce-HJ
09-27 1368
的
MobileNetv2
木子李的博客
06-07 1234
MobileNetV2 从MobileNetv1的结构来看，没有使用现在比较火residual连接，而是采取了最常见的直筒型网路，那么本文就是从激活函数ReLU层面分析了shorcut的必要性。 我们知道，当图像在网络中流动的时候，一般来说，我们的激活函数是ReLU，从ReLU的性质来看，如果输出是小于0的，那么就会丧失这个部分的信息，因为ReLU在负半轴为0，所以如果我们有一种结构，能够把某些会...
YOLOv2：更快、更强的实时物体检测系统
"YOLOv2_wrapper.pdf 是一篇关于YOLOv2目标检测系统的论文，该系统能够识别超过9000种不同的物体类别。在YOLO的基础上进行了多项改进，包括来自先前工作的创新，使YOLOv2在标准检测任务如PASCAL VOC和COCO上达到了最...
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