[論文筆記] SSD (未完成)

原创 已于 2022-02-27 16:30:57 修改 · 2.4k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#深度学习 #计算机视觉 #目标检测

于 2022-02-27 16:30:31 首次发布
本文深入探讨SSD（Single Shot MultiBox Detector）的设计原理，包括多尺度特征图的使用、默认框的设置策略、匹配策略、训练目标以及如何选择合适的尺度和长宽比。重点介绍了如何通过多尺度特征图处理不同大小的物体，以及如何通过硬负样本挖掘优化训练过程。
部署运行你感兴趣的模型镜像

SSD 設計

Multi-scale feature maps for detection

  • 在骨幹後方，加了許多的卷積層
  • 使用多種尺度的特徵圖(共6種)，進行預測

Convolutional predictors for detection

  • 在前面提到的多種尺度特徵圖，再經過 3x3 卷積運算後，得到該尺度下的檢測輸出

Default boxes and aspect ratios

  • 這些 default boxes 與 Faster RCNN 中的 anchor 類似，差別在於 SSD 中的 default box 是按照尺寸被分配至不同尺度中
  • 每個尺度特徵圖上的每個網格，都會有 k 個物件預測值 (k 在不同尺度下，數值不同)
  • 每個物件預測值，都包含 c 個類別的機率分布，與 4 個位置相關輸出
  • 最終在尺寸為 m x n 的特徵圖上，會得到 (c+4) \times k \times m \times n 個輸出值

訓練

Matching Strategy

  • 將與 ground-true 物件之 Jaccard overlap 最大的 default box 視為正樣本 (相匹配)
  • 將與 ground-true 物件之 Jaccard overlap > 0.5的 default box 視為正樣本 (相匹配)
  • 因此一個 gounrd-true 可能對應到多個 default box 負責預測

Training Objective

  • 符號
    • x^p_{ij} : 第 i 個 default box 與第 j 個 ground true 是否匹配，是的話 1 否則為 0
    • N : 具有匹配的 default box 數量
    • L_{conf} : confidence loss，使用的是 softmax 損失
    • L_{loc} : localization loss，使用的是 smooth L1

Choosing Scales and Aspect Ratios for Default Boxes

  • 在處理多尺度物件時，許多方法是將圖像縮放至不同尺寸後，在這些尺寸下進行計算，最後合併所有處度的結果
  • 如果是透過不同尺度的特徵圖，同樣可以達到類似的效果，而且因為不同尺度的特徵圖是共享計算量的，因此可以節省計算
  • SSD 中，按模型輸出時採用的特徵圖尺度數 m ，分配每個特徵圖使用的 default box 尺度 : 

  •  符號解釋
    • s_{min} : 特徵圖中最小尺度的一個 (論文中為 s_{min}=0.2)
    • s_{max} :  (論文中為 s_{max}=0.9) 
    • a_r : default box 長寬比 
    • w_k^a : default box 的寬 (透過長寬比與尺度可以計算出)
    • h_k^a : default box 的高 (透過長寬比與尺度可以計算出)
    • s'_k : 對於長寬比為 1 的 default box，額外增加的一系列尺度 (用來銜接尺度間差異)

Hard Negative Mining

  • Two stage 目標檢測方法常見的問題是正負樣本不均 (大量沒有物體的區域所產生)
  • 訓練時，只取出最難的一部份負樣本，使正負樣本比例為 1:3
  • 困難樣本的判定是將所有負樣本按 confidence loss 降序排列後，頭部的部分
  • 這麼做能加速收斂，並且訓練時更穩定

您可能感兴趣的与本文相关的镜像

ComfyUI

ComfyUI

AI应用
ComfyUI

ComfyUI是一款易于上手的工作流设计工具，具有以下特点：基于工作流节点设计，可视化工作流搭建，快速切换工作流，对显存占用小，速度快，支持多种插件，如ADetailer、Controlnet和AnimateDIFF等

【民族服饰识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-30 811
民族服饰识别，民族服饰智能识别与分析系统基于TensorFlow框架，采用卷积神经网络（CNN）算法构建而成。系统在收集了回族、汉族、满族、苗族四类典型民族服饰图像数据集的基础上，通过多轮迭代训练，最终生成高精度识别模型，并配合Web可视化平台实现便捷交互。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能系统分为管理员和用户两个角色，登录后根据角色显示其可访问的页面模块。登录系统后可发布、查看、编辑文章，创建文章功能中集成了markdown编辑器，可对文章进行编辑。
【动物识别系统】Python+TensorFlow+Django+人工智能+深度学习+卷积神经网络算法
子午的博客
12-01 425
动物识别系统，基于TensorFlow搭建Resnet50卷积神经网络算法，通过对4种常见的动物图片数据集（猫、鸡、马、狗）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。技术栈项目前端使用Html、CSS、BootStrap搭建界面。后端基于Django处理逻辑请求基于Ajax实现前后端数据通信选题背景与意义在人工智能技术蓬勃发展的当下，动物识别作为计算机视觉领域的重要应用方向，有着广泛的实际需求，如动物保护监测、智能安防等场景均需精准高效的动物识别能力。
深入浅出卷积神经网络（CNN）：从LeNet到Vision Transformer的演进及其实战应用
云雾J视界的博客
12-04 735
本文系统梳理卷积神经网络从LeNet到Vision Transformer的演进脉络，聚焦“为何选用ResNet而非VGG”这一典型面试问题，揭示其背后的技术选型逻辑。文章基于CVPR、ICLR等顶会论文及MLPerf等公开基准，深入剖析四代架构——奠基（LeNet/AlexNet）、深度爆发（VGG/ResNet）、效率觉醒（MobileNet）与注意力时代（ViT/ConvNeXt）的核心创新与工程权衡。
深度学习实战（基于pytroch）系列（四十一）长短期记忆（LSTM）pytorch简洁实现
echo的博客
11-29 1099
本文介绍了使用PyTorch简洁实现长短期记忆网络(LSTM)语言模型的方法。首先读取周杰伦歌词数据集并进行预处理，然后定义包含LSTM层和全连接层的RNN模型类，其中LSTM需要同时处理隐藏状态和细胞状态。文章详细展示了模型初始化、预测函数实现以及训练过程，包括梯度裁剪和数据迭代器设计。通过对比手动实现，突出了PyTorch框架在简化LSTM实现方面的优势，为自然语言处理任务提供了高效的解决方案。
深度学习1.1-软件安装-Anaconda软件与pyCharm软件安装
诚朴勇毅
12-03 275
为了研究深度学习与信号处理的结合，我又开始搞起了深度学习，博一的时候浅试过一次都失败了，这次打算学习一下Pytorch和一些最新的网络，好好做几篇论文。首先就是搭环境。我先安装了一个Anaconda，从网上搜了一大堆，我的理解是，Anaconda就是一个包管理器，因为pythoh版本太多了，而且要装的包也很多，各种包之间容易产生冲突，为了杜绝这个问题，我们可以安装一个Anaconda，它就像一个虚拟机，可以创建不同的操作系统，我们创建的不同任务和工程可以跑在不同的环境下。
【代码分享】基于CNN（卷积神经网络）-BiLSTM（双向长短时记忆网络）-KDE（核密度估计）的多变量时间序列预测
2501_94304238的博客
11-30 1704
本文提出了一种基于CNN-BiLSTM-KDE的多变量时间序列预测模型。该模型结合CNN提取时空特征，BiLSTM捕捉时序依赖，并创新性地引入KDE进行误差分布建模，实现高精度的点预测和可靠的区间预测。模型支持任意维度的风电、光伏等能源数据输入，自动完成预处理、训练和预测全过程。实验结果表明，该方法在预测精度和不确定性量化方面表现优异，为能源预测等场景提供了端到端的解决方案。
循环神经网络（RNN）：从序列数据难题到实战落地的完整指南
倔强的石头的博客
12-01 1017
循环神经网络（RNN）是专为处理序列数据设计的深度学习模型，解决了传统神经网络无法捕捉序列依赖关系的核心问题。RNN通过记忆状态（Hidden State）实现短期记忆功能，在处理文本、时间序列等数据时能够保留前序信息。其核心结构包括输入层、循环单元和输出层，通过共享权重参数实现序列元素的连续处理。然而，传统RNN存在梯度消失/爆炸的缺陷，导致长序列处理能力受限。为此，LSTM和GRU等改进模型引入门控机制，通过遗忘门、输入门和输出门精细调控记忆更新，显著提升了长序列建模能力。
深度学习调参手册：学习率、Batch Size 的最优搭配策略
dream_it_come_in的博客
11-30 1150
绑定关系：LR 与 BS 是 “步长” 和 “导航精度” 的关系，大 BS 配大 LR，小 BS 配小 LR，遵循 “线性缩放原则”；场景优先：显存充足选大 BS + 适配 LR，显存不足选小 BS + 小 LR + 梯度累积，特殊任务针对性调整；迭代验证：先定 BS 基线，再配初始 LR，最后对比多组组合，以验证集性能为核心指标。
基于WSL 2在Windows 11 构建深度学习开发环境 —— 以Ubuntu、Anaconda、PyCharm及GPU支持为核心
面向AI前沿技术的深度解析平台，覆盖基础理论、算法优化及产业应用全链路
12-01 768
本文提供了一套完整的教程，指导如何在 Windows 11 系统上基于 WSL 2 架构，从零开始搭建高效的深度学习开发环境。内容涵盖启用 WSL 与虚拟机平台、安装 Ubuntu 24.04 子系统、配置 CUDA 12.6 与 cuDNN 加速库、搭建 Anaconda 虚拟环境、安装 PyTorch 并实现 GPU 调用，最后通过 PyCharm 实现远程连接与开发调试。本方案有效解决了双系统切换、虚拟机性能损耗和环境配置复杂等痛点，为开发者提供了一条稳定高效的跨平台开发路径。
【机器学习】21-22 机器学习系统开发流程 & 倾斜数据集
weixin_54010404的博客
11-30 793
本文摘要：文章介绍了机器学习开发流程的关键环节，包括迭代开发过程、错误分析方法、数据增强与合成技术、迁移学习的应用场景与策略。详细阐述了倾斜数据集下的评估指标（准确率、召回率、F1分数）及其权衡关系，并概述了完整机器学习项目的生命周期（从任务定义到部署监控）。特别强调了在数据不平衡情况下传统准确率的局限性，提出了使用精确率和召回率作为替代指标，并通过F1分数进行综合评估的方法。最后提及了机器学习项目中的伦理考量和数据偏见问题。
【卫星图像识别系统】Python+TensorFlow+Vue3+Django+人工智能+深度学习+卷积网络+resnet50算法
子午的博客
11-30 754
卫星影像识别系统，基于TensorFlow搭建卷积神经网络算法，通过对7种常见的卫星遥感影像图片数据集（‘草地（Grass）’, ‘农田（Field）’, ‘工业区（Industry）’, ‘河流湖泊（RiverLake）’, ‘森林（Forest）’, ‘居民区（Resident）’, ‘停车场（Parking）’）进行训练，最后得到一个识别精度较高的模型，然后搭建Web可视化操作平台。前端后端：Django算法：TensorFlow、卷积神经网络算法具体功能。
时序性步态数据处理的RNN及LSTM算法
weixin_43156294的博客
12-01 824
1.步态周期识别：针对脑卒中患者的康复评估，LSTM模型可通过采集的膝关节角度数据，自动识别足跟着地（heel strike）、足尖离地（toe off）等关键节点，分割精度较传统方法（如阈值法）提升20%以上，且能适应患者步态的个体差异，为康复进度评估提供客观数据支持。2.运动状态预测：在下肢外骨骼机器人控制中，RNN模型可基于前200ms的步态加速度数据，预测下一步的运动意图（如平地行走、上楼梯、转弯），预测延迟低于50ms，满足外骨骼实时控制的需求，使机器人的运动更贴合人体自然步态。
198种组合算法+优化TCN时间卷积神经网络+SHAP分析+新数据预测+多输出！深度学习可解释分析，强烈安利，粉丝必备！
机器学习之心的博客，关注并私信文章链接，获取对应文章源码和数据。
11-30 964
198种组合算法+优化TCN时间卷积神经网络+SHAP分析+新数据预测+多输出！深度学习可解释分析，强烈安利，粉丝必备！
卷积神经网络（CNN）
2501_92553370的博客
12-03 424
卷积神经网络（CNN）详细介绍及其原理详解前言一、什么是卷积神经网络二、输入层#人工智能#具身智能。
基于深度学习的西红柿成熟度检测系统演示与介绍(YOLOv12/v11/v8/v5模型+Pyqt5界面+训练代码+数据集)
ningfoshao8678的博客
12-03 754
摘要：本文介绍了一个基于YOLO算法的西红柿成熟度智能检测系统，该系统支持YOLOv5/v8/v11/v12等多种模型，可实时识别绿熟期、转色期和成熟期的西红柿。系统采用PyQt5开发界面，支持图片、视频及摄像头输入，具备多模型切换、批量处理和模型训练功能。技术分析显示，YOLO12n模型在测试中达到最高mAP40.6%，整体识别精度达85.8%。该系统为智慧农业提供了高效的作物成熟度检测解决方案，源码可通过指定链接获取。
数据集相关类代码回顾理解 | sns.distplot\%matplotlib inline\sns.scatterplot
最新发布
Frost_Descent的博客
12-05 682
本文介绍了PyTorch单目标检测项目中的三个关键操作：1)使用os.path.join智能拼接跨平台文件路径，确保路径正确性；2)通过sns.distplot绘制数据的直方图分布；3)实现数据增强的随机亮度调整功能，通过TF.adjust_brightness按概率参数修改图像亮度。这些操作分别涉及文件路径处理、数据可视化分析和图像预处理，是深度学习项目中常见的实用技术。
【红外小目标检测实战 四】使用风车卷积和Neck多层融合改进
AutumnorLiu的博客
12-04 582
目前此网络召回率达到0.94，已经达到我的心理预期了，计算量只有16.7G FLOPs，可以说是很低了，完全可以实时在边缘设备推理。
AI学习笔记整理（22）—— AI核心技术(深度学习6)
斯丝2011的博客
11-30 946
中药方剂的组成复杂，传统方法依赖于中医专家的经验和知识，VAE可以用于中药方剂的生成，通过学习大量已有的中药方剂数据，提取方剂的潜在特征，从而生成新的方剂；在异常检测领域，VAE 可以通过学习正常数据的分布，当输入数据与正常数据的分布差异较大时，判断其为异常数据，例如在工业生产中检测产品的缺陷，在医疗影像中检测病变等。判别器则扮演着火眼金睛的 “鉴别专家”，它接收真实数据和生成器生成的假数据，经过分析判断，输出一个概率值，表示输入数据是真实数据的可能性。判别器的损失旨在正确分类真实和生成的数据。
车牌识别技术：从深度学习到产业应用的全面解析
有问题联系我qq：270490096
12-04 368
车牌识别技术正从一个相对独立的计算机视觉任务，演变为融合了高性能深度学习算法、系统工程化优化和垂直场景深度理解的综合性解决方案。未来的发展将不仅局限于算法精度的“小数点后几位”的提升，更会向着“全天候、全场景、端到端智能”的方向迈进。随着多模态大模型和芯片算力的发展，未来的车牌识别系统可能会更加“傻瓜化”和“通用化”，以更简洁的架构和更低的部署成本，实现更强大、更稳定的性能。版权声明：本文为技术解析文章，仅代表个人观点。文中提及的相关技术、模型及公司名称，版权均归其各自所有者所有。
T430笔记本加装SSD固态硬盘全攻略
"T430_加装SSD硬盘 - 讲解如何在ThinkPad T430上安装mSATA SSD和2.5英寸 SSD固态硬盘，包括两者的特点、安装方法和注意事项。" 在计算机硬件升级中，固态硬盘（SSD）已经成为提升系统性能的有效手段，尤其是对于...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值