對於物體檢測任務， 第4章的faster rcnn演算法採用了兩階的檢測架構， 即首先利用rpn網路進行感興趣區域生成， 然後再對該區域進行類別的分類與位置的回歸， 這種方法雖然顯著提公升了精度， 但也限制了檢測速度。 yolo演算法利用回歸的思想， 使用一階網路直接完成了物體檢測， 速度很快， 但是精度有了明顯的下降。
在此背景下， ssd（single shot multibox detecor） 演算法借鑑了faster rcnn與yolo的思想， 在一階網路的基礎上使用了固定框進行區域生成， 並利用了多層的特徵資訊， 在速度與檢測精度上都有了一定的提公升。
本章將首先介紹ssd方法的主要思想， 然後針對重要的結構模組，從**層面一一解讀其實現方法， 最後將分析ssd的優缺點， 並介紹一些經典的改進演算法。
1. ssd總覽
作為一階網路， ssd演算法從多個角度對物體檢測做了創新， 是乙個既優雅又高效的檢測網路， 本節將從演算法層面簡要介紹ssd的總體過程
1.1 ssd的演算法流程
ssd演算法的演算法流程如圖5.1所示， 輸入影象首先經過了vggnet的基礎網路， 在此之上又增加了幾個卷積層， 然後利用3×3的卷積核在6個大小與深淺不同的特徵層上進行**， 得到預選框的分類與回歸**值， 最後直接**出結果， 或者求得網路損失。
ssd的演算法思想， 主要可以分為4個方面：
·資料增強： ssd在資料部分做了充分的資料增強工作， 包括光學變換與幾何變換等， 極大限度地擴充了資料集的豐富性， 從而有效提公升了模型的檢測精度。
·網路骨架： ssd在原始vggnet的基礎上， 進一步延伸了4個卷積模組， 最深處的特徵圖大小為1×1， 這些特徵圖具有不同的尺度與感受野， 可以負責檢測不同尺度的物體。
·priorbox與多層特徵圖： 與faster rcnn類似， ssd利用了固定大小與寬高的priorbox作為區域生成， 但與faster rcnn不同的是， ssd不是只在乙個特徵圖上設定預選框， 而是在6個不同尺度上都設立預選框， 並且在淺層特徵圖上設立較小的priorbox來負責檢測小物體， 在深層特徵圖上設立較大的priorbox來負責檢測大物體。
·正、 負樣本的選取與損失計算： 利用3×3的卷積在6個特徵圖上進行特徵的提取， 並分為分類與回歸兩個分支， 代表所有預選框的**值， 隨後進行預選框與真實框的匹配， 利用iou篩選出正樣本與負樣本， 最終計算出分類損失與回歸損失。
單次目標檢測器 YOLO簡介
yolo 在卷積層之後使用了 darknet 來做特徵檢測。然而，它並沒有使用多尺度特徵圖來做獨立的檢測。相反，它將特徵圖部分平滑化，並將其和另乙個較低解析度的特徵圖拼接。例如，yolo 將乙個 28 28 512 的層重塑為 14 14 2048，然後將它和 14 14 1024 的特徵圖拼接。之...
DIY乙個粒子檢測器 2020 10
在tle207x低雜訊高速jfet 輸入運算放大器的雜訊特性測量中實現了tle207x的低雜訊放大器。放置在金屬盒遮蔽盒內進行訊號放大。基於上面的實驗電路，diy乙個粒子檢測器。其中bpx61來自 店bpx61.用於實驗的放射源來自離子煙霧感測器中的am241。實驗中的感測器和放射源 實驗電路採用在...
如何正確訓練乙個 SVM HOG 行人檢測器
這幾個月一直在忙著做大 乙個基於 svm 的新的目標檢測演算法。為了做效能對比，我必須訓練乙個經典的 dalal05 提出的行人檢測器，我原以為這個任務很簡單，但是我錯了。為了訓練出乙個效能達標的行人檢測器，我花了半個月的時間，中間遇到各種 bug 我就不提了，下面只說正確的步驟。基於 matlab...