SSD目标检测算法的理解和记录

最新推荐文章于 2024-08-12 14:50:42 发布

菊子12138

最新推荐文章于 2024-08-12 14:50:42 发布

阅读量969

点赞数 3

文章标签： ssd目标检测

本文链接：https://blog.csdn.net/weixin_44082645/article/details/102550964

版权

SSD是一种one-stage目标检测算法，基于VGG16网络结构进行改进，使用不同尺度的特征图检测不同大小的目标。它设置先验框（prior box）进行预测，并通过编码和解码计算边界框。训练过程涉及正负样本匹配、抽样，损失函数包括位置误差和置信度误差。数据增广提高模型性能，预测阶段通过置信度阈值和NMS等步骤获取最终检测结果。

摘要由CSDN通过智能技术生成

，ssd是之前看的论文，但记性太差理解力太差，忙一段时间别的事，之前看过的就差不多忘光了。。。故做一个记录贴，以便加深记忆和理解。

目前基于深度学习的目标检测算法主要分为两类，分别是one-stage和two-stage，其中，two-stage算法典型算法有R-CNN，先通过启发式方法或者CNN网络产生一系列稀疏的候选框，然后对这些候选框进行分类与回归；one-stage典型算法有SSD和yolo系列算法，很明显的可以从名字看出，是通过单个神经网络完成bounding box和class的预测，一步到位。相对的，two-stage的准确率就会较高，one-stage的速度会较快。

网络结构

SSD的基础网络部分采用了VGG16，并且在其基础上有进一步的改进，
(1)将全连接层FC6和FC7变成了两个分别为33和11的卷积层，
(2)后续层移除，新加了4个卷积层
(3)池化层pool5由原来的2×2−s2变成3×3−s1
(4)conv6层卷积层采用了空洞卷积

在这里插入图片描述
其中，将VGG16的6个层作为用于检测的6个特征图，都将用于对bounding box和class进行预测，分别为Conv4_3，Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2，大小分别是(38,38),(19,19),(10,10),(5,5),(3,3),(1,1)。

大尺度特征图用于检测小目标，小尺度特征图用于检测大目标

在这里插入图片描述
这个理解方法是从B站一个大佬的视频中学来的！
在如上图例中，目标为检测两个特征图中的长方形。
第一张图为8×8大小的特征图，其中有两个长方形；第二张图中为4×4大小的特征图，其中有一个长方形。现假设利用第三张图中的卷积核进行卷积，如果卷积结果为3，则认为检测到所需长方形。
若每个feature map中的每个小格中数为1，通过加权求和的卷积运算，在第一张图中，橙色的长方形与卷积核卷积后的结果为2；而蓝色长方形与卷积核卷积后的结果为3，因此在8×8的特征图中，检测到了相对较小的一个长方形。将8×8的特征图通过pooling操作得到第二张图中4×4的特征图ÿ