可以看到ssd有以下優勢：
ssd提取了不同尺度的特徵圖來做檢測，大尺度特徵圖可以用來檢測小物體，而小特徵圖用來檢測大物體；
ssd採用了不同尺度和長寬比的先驗框，在faster r-cnn中稱為anchors。yolo演算法缺點是難以檢測小物體，而且定位不准，但是對於這幾點，ssd在一定程度上克服這些缺點。
ssd採用vgg16作為基礎模型，並且做了以下修改：
分別將vgg16的全連線層fc6和fc7轉換成 3x3 的卷積層 conv6和 1x1 的卷積層conv7；
去掉所有的dropout層和fc8層；
同時將池化層pool5由原來的 stride=2 的 2x2 變成stride=1的 3x3 ；
新增了atrous演算法（hole演算法），目的獲得更加密集的得分對映；
然後在vgg16的基礎上新增了卷積層來獲得更多的特徵圖以用於檢測。
總損失函式=得分損失+位置損失
對於置信度誤差，其採用softmax loss；對於位置誤差，其採用smooth l1 loss。
系列傳送門：
目標檢測——r-cnn（一）
目標檢測——fast r-cnn（二）
目標檢測——faster r-cnn（三）
目標檢測——mask r-cnn（四）
目標檢測——r-fcn（五）
目標檢測——yolov3（六）
目標檢測——yolov4（七）
目標檢測——yolov5（八）
目標檢測——ssd（九）
目標檢測——retinanet（十）
目標檢測——refinedet（十一）
目標檢測之SSD
ssd single shot multibox detector 翻譯 詳解 圖1 圖2 演算法步驟 1 輸入一幅 300x300 將其輸入到預訓練好的分類網路中來獲得不同大小的特徵對映，修改了傳統的vgg16網路 2 抽取conv4 3 conv7 conv8 2 conv9 2 conv10 ...
SSD目標檢測系統
首發於個人部落格 ssd識別系統也是一種單步物體識別系統，即將提取物體位置和判斷物體類別融合在一起進行，其最主要的特點是識別器用於判斷物體的特徵不僅僅來自於神經網路的輸出，還來自於神經網路的中間結果。該系統分為以下幾個部分 該系統的網路結構如上圖所示基本網路為vgg 16網路，vgg 16網路由一系...
目標檢測之 SSD
ssd300 網路結構圖 ssd單階段目標檢測，候選框密集抽樣。作為單階段的目標檢測，其速度還是比faster快很多的，但是精度還是差點。ssd300共用了6層特徵，進行目標檢測，ssd512用了7層特徵，每一層的default box數量不同如上圖分別為 4,6,6,6,4,4，4為設定的乙個大正...