目标检测总结：SSD

最新推荐文章于 2025-02-24 19:42:28 发布
原创 最新推荐文章于 2025-02-24 19:42:28 发布 · 812 阅读 · 3 ·
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。

SSD是一种多尺度特征层目标检测方法，使用卷积预测器进行预测，并预设不同大小的anchor。匹配策略允许多个重叠anchor预测同一目标，简化学习问题。目标函数与faster RCNN相似，使用坐标偏移量回归。此外，SSD还采用hard negative mining和数据增强技术，如随机裁剪和尺度变换，以提高精度和效率。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

目标检测总结：SSD


之前回顾了one-stage目标检测中的Yolo系列，本文介绍另一种 one-stage 框架——SSD。
思想：

  • 多尺度的特征层用于目标检测，如下图所示，共有6个不同尺度的特征层进行预测。
    在这里插入图片描述
  • 基于卷积的预测器，SSD通过卷积操作对对应特征层进行预测。
  • 默认的边界框和长宽比，与faster RCNN类似，ssd预先指定anchor的大小，但不同的是SSD是把anchor应用到不同分辨率的特征映射中。
  • 匹配策略，gtbox可能与多个anchor重叠，SSD将gtbox与gtbox的IOU>0.5的anchor相匹配，也就是允许多个重叠的anchor负责预测同一个gtbox，这简化了学习问题。
  • 目标函数:
    在这里插入图片描述在这里插入图片描述在这里插入图片描述
    与fasterRCNN类似，ssd对于坐标回归的目标也是偏移量。
  • 默认边界框的长宽比以及尺度：
    在这里插入图片描述
    Smin取0.2，Smax取0.9，这意味着最低层有0.2的尺度，最高层有0.9的尺度，长宽比有1,2,3,1/2,1/3，我们可以为每个边界框计算w和h，另外中心点为（0,
最低0.47元/天 解锁文章

200万优质内容无限畅学
实时目标检测框架对比：YOLO vs SSD vs RetinaNet
AI架构师小马
07-03 806
在如今的计算机视觉领域，实时目标检测是一项非常重要的任务。它就像我们人类的眼睛，能够在图像或者视频中快速准确地找到我们感兴趣的目标，比如在监控视频中找到小偷，在自动驾驶中识别道路上的车辆和行人等。我们这篇文章的目的就是要对比三个非常流行的实时目标检测框架：YOLO、SSD 和 RetinaNet，看看它们各自的优缺点，适用场景是什么，这样大家在实际应用中就能根据自己的需求做出更好的选择啦。我们的范围主要集中在这三个框架的原理、性能、应用等方面。接下来，我们会按照下面的结构来详细介绍这三个框架。
SSD目标检测
m0_73546954的博客
07-11 1314
SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法。使用Nvidia Titan X在VOC 2007测试集上，SSD对于输入尺寸300x300的网络，达到74.3%mAP(mean Average Precision)以及59FPS；对于512x512的网络，达到了76.9%mAP ，超越当时最强的Faster RCNN(73.2%mAP)。具体可参考论文[1]。
目标检测方法——SSD
akenseren的博客
07-08 3638
原文链接：点击打开链接1 SSD基础原理1.1 SSD网络结构SSD使用VGG-16-Atrous作为基础网络，其中黄色部分为在VGG-16基础网络上填加的特征提取层。SSD与yolo不同之处是除了在最终特征图上做目标检测之外，还在之前选取的5个特特征图上进行预测。SSD图1为SSD网络进行一次预测的示意图，可以看出，检测过程不仅在填加特征图(conv8_2, conv9_2, conv_10_2...
深度学习目标检测模型：SSD MobileNet V1
SSD是一种广泛应用于计算机视觉领域的深度学习目标检测模型。它由Wei Liu等人在2016年提出，其核心思想是将目标检测任务视为一个单一的回归问题，通过单一的深度卷积神经网络（CNN）直接预测边界框（bounding boxes...
【第二十七周】文献阅读：SSD: 单阶段多边界框目标检测器
qq_30043925的博客
12-29 1268
SSD是一种单阶段的目标检测模型，与传统两阶段模型采取 Region Proposals 的方法不同，SSD 使得特征图的每个位置都产生一组尺寸固定的默认边界框，在预测阶段网络直接为每个默认框中的每个类别生成对应的分数，然后再按照分数对边界框进行相应的调整以更好地匹配对象。此外，SSD 支持在不同的尺度下生成特征图再进行检测，和传统两阶段模型如 R-CNN、Fast R-CNN 和 Faster R-CNN 以及单阶段模型 YOLO 相比，SSD 对小目标的检测性能更好。
目标检测：SSD
最新发布
Wei_sx的博客
02-24 1528
SSD（Single Shot MultiBox Detector）是一种用于目标检测的深度学习模型，特点是能够在单次前向传递中同时预测多个边界框及其类概率，因此具备优良的速度和精度。SSD 把目标检测视为一个回归问题，通过在不同尺度下的特征图上进行预测来实现多尺度检测。
目标检测 之 SSD
qq_41168327的博客
03-21 820
SSD，全称Single Shot MultiBox Detector SSD具有如下主要特点： 从YOLO中继承了将detection转化为regression的思路，一次完成目标定位与分类 基于Faster RCNN中的Anchor，提出了相似的Prior box； 加入基于特征金字塔（Pyramidal Feature Hierarchy）的检测方式，即在不同感受...
SSD基于深度学习的目标检测
05-30
Single Shot MultiBox Detector
【目标检测】SSD
m0_50652864的博客
08-19 1350
SSD论文梳理
目标检测--SSD: Single Shot MultiBox Detector
AI小作坊 的博客
08-15 3302
SSD: Single Shot MultiBox Detector ECCV2016 https://github.com/weiliu89/caffe/tree/ssd 针对目标检测问题，本文取消了候选区域提取步骤，通过采用一系列设计在检测上得到较好的精度和速度contributions ： 1）提出的 SSD 比 YOLO v1 速度快，精度好， 和 Faster R-CNN 精度差不
目标检测之SSD
qq_43480244的博客
08-27 248
一、目标检测之SSD SSD: Single Shot MultiBox Detector 论文链接：https://arxiv.org/abs/1512.02325 论文翻译：https://blog.csdn.net/denghecsdn/article/details/77429978 论文详解：https://blog.csdn.net/WZZ18191171661/article/details/79444217 论文代码：https://github.com/balancap/S...
【深度学习|基础算法】4.SSD目标检测
传统图像处理，深度学习，目标检测（分类，检测，分割），多目标追踪，部署等
04-21 2787
我是照着bubbling大佬的pytorch-ssd代码走了一遍，因此我会在他的代码的基础上去进行我的各种理解，大家可以去看看他关于SSD的教学博客—>睿智的目标检测23——Pytorch搭建SSD目标检测平台。
深度学习基础——SSD目标检测
weixin_60535956的博客
02-21 2936
SSD相关基础知识
[Intensive Reading]目标检测(object detection)系列（六） SSD：兼顾效率和准确性
zhangxu
08-11 3040
SDD出现之前，主流的CNN目标检测模型分别是Faster R-CNN和YOLO，Faster R-CNN作为two-stage的代表，具有state of the art的准确性，但是速度偏慢，做不到实时。。YOLO使得目标检测任务one-stage就能完成，在效率上有了明显改善，但是准确性上确差了很多。这就好比“人有悲欢离合，月有阴晴圆缺，此事古难全。”但是就在这个时候，SDD出现了，一个兼顾了效率和准确性的网络结构。因为它做到了比Faster R-CNN更准，同时又比YOLO更快的性能表现。
目标检测-SSD主干网络
qq_35912099的博客
06-25 390
1、RESIZE图像到300 x 300 x 3 2、原始VGG的卷积和池化都保存下来、后续的三个全连接层被转换为了conv6-2 conv-7-2 conv8-2 con9-2 用于提取更多的特征窗口 300,300,3 -> 300,300,64 -> 300,300,64 -> 150,150,64 -> 150,150,128 -> 150,150,128 -> 75,75,128 -> 75,75,256 -> 75,75,256 -> .
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