ssd 顧名思義就是「使用單個深層神經網路檢測影象中的多物件」。
該**主要貢獻在於提高了單次檢測器的速度和精度 ：
使用了小卷積filter**特徵圖上固定的一組default box 的位置損失和置信度損失；
從不用尺度的特徵圖得到不同尺度的**。
模型損失是位置損失（例如l1 ）和置信損失（例如softmax）之間的加權和。
本文頻繁提出的default box 和prior box ，而default box是一種概念，prior box則是實際的選取。
訓練中一張完整的送進網路獲得各個卷積層的feature map，對於樣本訓練來說，需要先將prior box與ground truth匹配，匹配成功說明這個prior box所包含的是個目標，但離完整目標的ground truth還有段距離，訓練的目的是保證default box的分類置信度，同時將prior box盡可能回歸到ground truth box。
為了克服基於resnet的backbone在保持強大分類能力的同時進行目標檢測的缺點，設計了乙個新的架構:
名為rootresnet。
它是對原來ssd檢測器中截斷的resnet的改進。去掉了第乙個conv層的下取樣操作，用乙個由3 * 3個卷積濾波器組成的堆疊替換了7個卷積核 （如圖d）。root-resnet具有豐富的輸入，能夠從影象中挖掘出更多的區域性資訊，從而提取出強大的小目標檢測特徵。
此外，將ssd 四個提取不同尺度的特徵圖的卷積塊，替換為root-resnet末端的四個殘差塊，每個殘塊由兩個分支組成，乙個分支是乙個含有stride為2的1 * 1卷積層，另乙個分支由乙個含有stride為2的3 * 3卷積層和乙個含有stride為1的3 * 3卷積層組成。每個卷積層的輸出通道數設定為128。
由彩色到黑白
mythma 彩色圖轉換為灰度圖公式很簡單 y 0.3 red 0.59green 0.11 blue 用gdi 實現的方式由兩種 1.直接用上述公式修改象素點 2.用colormatrix。下面是用colormatrix實現示例 using namespace gdiplus image img ...
SSD 從形式到實質之改變
ssd的物理尺寸之混戰正在進行當中。資料中心的硬體架構師因為要規劃下一代伺服器的機械設計，還要制定 jbod的設計規範，想必面臨不少困惑。要是選擇的機械尺寸到了部署時成了非主流，勢必造成採購困難 成本增高等一系列問題。搞不好要重新訂 務器 jbod，代價可謂不小，不得不多費些心思，擦亮眼睛，看看未來...
SSD 從形式到實質之改變
ssd的物理尺寸之混戰正在進行其中。資料中心的硬體架構師由於要規劃下一代server的機械設計。還要制定jbod的設計規範，想必面臨不少困惑。要是選擇的機械尺寸到了部署時成了非主流。勢必造成採購困難 成本增高等一系列問題。搞不好要又一次訂製serverjbod。代價可謂不小，不得不多費些心思，擦亮眼...