Hhsh672772的博客

ssd是 one stage形式的多目标检测的网络，在每一层feature map上，对每个用于预测的p通道特征图，SSD的分类器全都使用了3*3*p*(k*(c+4))卷积进行预测，其中k是每个单元放置的先验框的数量，c是预测的类别数,4是边界框的回归个数。one stage 的形式是在一个网络中同时进行感兴趣区域的检测与分类，而不是分为两段式。以yolo v1,v2,v3为代表，ssd。ssd的结构类型：使用CNN网络输出每一层的feature map，然后对feature map上每一

Network in Network经过1×1卷积层后，高和宽是不变的，变化的是通道的数目。NiN去掉了LeNet/AlexNet/VGG最后的全连接层，取而代之地，NiN使用了输出通道数等于标签类别数的NiN块，然后使用全局平均池化层对每个通道中所有元素求平均并直接用于分类。NiN重复使用NiN基础块构建网络，NiN基础块由卷积层和代替全连接层的1 × 1卷积层构成。 NiN去除了容易造成过拟合的全连接层。在最后的输出部分，输出通道数等于标签类别数，再使用全局平均池化层获得最后的分类结果。去

补充一下模型迁移的相关知识：使用微调技术，也叫做参数迁移不同的情况：（1）数据集小，并且与原数据集差别不大因为目标数据集与原数据集的数据分布差异不大，使用微调技术，只需要将输出层改为特定任务下的输出层即可（2）数据集小，相似程度不高这种情况下，“冻结”与训练模型的前“k”个层的权重，然后重新训练后面的“n-k”个层，最后一层根据输出具体确定因为相似度不高所以需要重新训练，而因为是小数据集，所以“冻结”前k个层来防止过拟合（3）数据集大，相似程度不高采用预训练模型不是很..