ssd，全稱single shot multibox detector，是wei liu在eccv 2016上提出的一種目標檢測演算法，截至目前是主要的檢測框架之一，相比faster r-cnn有明顯的速度優勢，相比yolo又有明顯的map優勢（不過已經被cvpr 2017的yolo9000超越）。在voc2007資料集上，ssd的結果為59fps，map為74.3%；faster r-cnn為7fps，map為73.2%；yolo為45fps，map為63.4。
下圖是原**中，ssd-300網路結構和yolo的對比，vgg網路在之前有所介紹。
從圖中可以看到，yolo模型在卷積層後接兩個全連線層，然後直接用於檢測，相當於最終只利用了最高層（後）的特徵圖 ；而ssd採用了特徵金字塔結構進行檢測，即檢測時利用了圖中的conv4-3，conv-7(fc7)，conv6-2，conv8-2，conv9_2，conv11_2共6個層次不同的feature maps，在多個feature maps上同時進行softmax分類和位置回歸。不同層級的特徵圖，往往體現目標特徵的尺度大小、抽象程度也不同，因此ssd相比之前的網路模型，效果有進一步地提公升。作者在**中也表述了使用多層次特徵圖的差異：當使用6個特徵圖時map為74.3%，僅使用conv7，或使用conv4_3+conv7時，map均低於65%。
default box和anchor相似。
目標檢測演算法之SSD
昨天介紹了特徵金字塔網路用於目標檢測，提公升了多尺度目標檢測的魯棒性，今天開始講講one stage目標檢測演算法中ssd演算法。這個演算法是我平時做工程中最常用到的，嚴格來說平時最常用的mobilenet做backbone的ssd演算法，因為要考慮到實際部署的時候的速度要求。本文提出了僅需要單個卷...
目標檢測演算法之SSD系列
ssd可以看成乙個有特定類別 class specific 的rpn網路 一 ssd ssd和yolov3的區別 1.ssd在不同尺度的特徵圖上分別 yolov3則是將不同尺度的特徵圖進行特徵融合再分別 2.損失函式不同 ssd有loss loc loss cof損失，yolov3有loss xy ...
目標檢測演算法SSD在Ubuntu CPU下執行
定位到 caffe ssd examples ssd ssd detect.py，修改如下 源 make sure that caffe is on the python path caffe root 改為 我把caffe ssd資料夾放在了主目錄home下 make sure that caff...