[ 目标检测 ] 经典网络模型4——SSD 详解与复现

🤵 Author ：Horizon Max

✨ 编程技巧篇：各种操作小结

🎇 机器视觉篇：会变魔术 OpenCV

💥 深度学习篇：简单入门 PyTorch

🏆 神经网络篇：经典网络模型

💻 算法篇：再忙也别忘了 LeetCode

🚀 Single Shot Detector

SDD 是一种利用 单一深度神经网络 检测图像中的目标的方法 ；

它的一个关键特征是：使用 多尺度卷积边界框 输出 附加到网络顶部的多个特征图上 ；

它将边界框的输出空间离散化为一组默认框，每个特征图位置具有不同的纵横比和比例 ；

在预测时，网络会根据每个默认框中的对象类别生成分数，并对该框进行调整，以更好地匹配对象的形状 ；

网络结合了来自 不同分辨率 的 多个特征 映射的预测，自然地处理各种大小的对象 ；

较 R-CNN 系列网络使用的 区域建议( Region Proposal ) 方法，SSD完全消除了提议生成和随后的像素或特征重采样阶段 ；

🔗 论文地址：SSD: Single Shot MultiBox Detector

Results on Pascal VOC2007 test

🚀 SSD 详解

🎨 提出背景

截至目前，最先进的目标检测系统：假定边界框，为每一个边界框重新采样像素或特征，最后再利用高质量的分类器进行分类 ；

但对于嵌入式系统来说，这些算法的计算量依然很大，对于实时应用程序来说依旧很慢 ，最快的高精度检测网络 Faster R-CNN 也只有 7 FPS ；

基于此提出了一种目标检测网络，它不再使用为每一个假定的边界框重新采样，依然能保证较好的准确率，并且检测速度提升至了 59 FPS ；

🚩 核心思想

SSD网络基于前馈神经网络，首先生成固定大小的建议框集合，并对框内存在的对象进行评分，最后使用非极大值抑制的方法生成最终的检测结果 ；

• 在特征图上使用小的卷积过滤器，预测 类别分数 和 一组固定的 标准框偏移量 ；
• 从 多尺寸特征图 上生成多个预测，并通过横纵比直接分离预测结果，以达到高精度检测 ；

🎨 网络结构

🚩 结构特点

• 使用 多尺寸特征图（Multi-scale feature maps）；
• 使用 卷积预测器（Convolutional predictors）；
• 使用 多个标准框和横纵比（Default boxes and aspect ratios）；

Default boxes and aspect ratios :

🚩 结构框图

🚩 模型分析

• 数据增强 至关重要 ；
• 先验框种类 越多效果越好 ；
• Atrous 版本的VGG16保证检测结果的同时具有20%速度的提升 ；
• 不同 分辨率 的多个输出层结果更优 ；
  

🚀 SSD 复现

# Here is the code :

# 后 续 更 新 ~

输出结果：

在这里插入代码片