深度学习之目标检测（四）—— SSD算法

已于 2022-07-20 15:52:19 修改
阅读量1.5k 收藏 3
点赞数
CC 4.0 BY-SA版权
文章标签： 深度学习 目标检测 SSD
于 2020-06-29 15:48:21 首次发布
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。
本文链接：https://blog.youkuaiyun.com/hxxjxw/article/details/107018316
SSD(单发多盒检测器)是一种由Wei Liu等人在ECCV2016上提出的目标检测算法，其特点在于直接回归目标类别和位置，通过在不同尺度的特征图上进行预测，并使用VGGNet作为主干网络。SSD能够实现端到端的训练，即使在较低分辨率的图像上也能保持较高的检测精度。

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

SSD算法

SSD, Single Shot MultiBox Detector(one-stage)，Wei Liu在ECCV 2016上提出的一种目标检测算法

算法特点

  • 直接回归目标类别和位置
  • 不同尺度的特征图上进行预测
  • 端到端的训练
  • 图像分别率比较低，也能保证检测的精度

SSD网络结构

 

主干网络：VGGNet

最后通过NMS算法对检测结果进行合并和筛选

主干网络介绍

原作者采用的是vgg，但我们也可以采用resnet、mobilenet等网络结构

FC层即全连接层

多尺度FeatureMap预测

Prior Box Layer

得到6个不同的长宽比

 

样本构造

数据增强

损失函数

SSD算法性能

SSD算法性能增强的原因

hxxjxw
关注
深度学习之目标检测系列八：SSD算法——从原理到实现
AI天才研究院
08-27 971
作者：禅与计算机程序设计艺术 1.简介 SSD(Single Shot MultiBox Detector)是最近几年火热的目标检测算法，在轻量级网络的基础上训练得到性能较优的模型。本文将从SSD的基本原理、结构、损失函数等方面，带领读者深入理解SSD算法。 SSDE(Single-Sho
PyTorch深度学习实战（23）——从零开始实现SSD目标检测
盼小辉丶的博客
02-08 7354
SSD (Single Shot MultiBox Detector) 是一种基于单次前向传递的实时目标检测算法，它在速度和准确性之间取得了很好的平衡。SSD 的核心思想是在卷积神经网络的不同层级上设置多个特征图用于预测目标。这些特征图在空间上具有不同的尺度，可以检测不同大小的目标。每个特征图上的每个位置都预测一组边界框和对应的类别概率。在本节中，将介绍 SSD 的工作原理，然后在自定义数据集上训练 SSD 目标检测模型。
基于深度学习的目标检测算法：SSD
热门推荐
竹馨shine的专栏
06-18 10万+
SSD: Single Shot MultiBox Detector 问题引入： 目前，常见的目标检测算法，如Faster R-CNN，存在着速度慢的缺点。该论文提出的SSD方法，不仅提高了速度，而且提高了准确度。 SSD: 该论文的核心思想：
深度学习-SSD算法
Tc、zyh的博客
10-17 2409
文章目录一、SSD网络结构算法细节 详细解析：https://blog.youkuaiyun.com/ytusdc/article/details/86577939 一、SSD网络结构 图1 SSD网络架构（精简版) 图2 SSD网络架构（细节版） 图3 VGG16网络架构 SSD采用VGG16作为基础模型，并且做了以下修改，如图1所示 分别将VGG16的全连接层FC6和FC7转换成 3x3 的卷积层 Conv6和 1x1 的卷积层Conv7 去掉所有的Dropout层和FC8层 同时将池化层pool5由原来的
从代码学习深度学习 - 单发多框检测（SSD）PyTorch版
最新发布
weixin_43887510的博客
05-08 1229
本文介绍了如何使用深度学习中的单发多框检测（SSD）算法进行目标检测，特别是基于香蕉检测数据集的实现。SSD是一种单阶段目标检测器，以其在速度和精度之间的平衡而著称。文章详细讲解了SSD的核心原理，并通过PyTorch代码展示了模型的构建、训练和预测过程。工具函数部分涵盖了数据读取、处理及加载器的创建，为后续的模型训练和结果可视化提供了支持。通过本文，读者可以深入理解SSD的实现细节，并学会如何在实际项目中应用该算法。
深度学习SSD(Single Shot MultiBox Detector)
07-10
SSD(Single Shot MultiBox Detector) 深度学习
【深度学习】SSD
cyclone
06-20 769
参考 几篇好文，收藏一哈。 深度学习笔记（七）SSD 论文阅读笔记简化 SSD基础原理
深度学习之 SSD(Single Shot MultiBox Detector)
fenglepeng的博客
06-02 3466
前言 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高； （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优
[深度学习]目标检测框架——SSD
weixin_43330397的博客
05-31 1946
一、简介 SSD只需要一张输入图片和ground truth box（真实的边界框）就可以开始训练. 1、在不同尺寸特征图的每个位置上，选取不同长宽比生成一系列的default box，在用卷积预测classification+buonding box regression二部分【1是各个类别的置信度或者评分，2是边界框的预测值】 2、是default box相对于边界框的转换值 一、网络...
目标检测7——SSD: Single Shot MultiBox Detector
qq_45792437的博客
01-14 1228
SSD300 在 59 FPS时实现 74.3% mAP ，而SSD500 在 22 FPS 时实现 76.9% mAP，优于Faster R-CNN（7 FPS 时 73.2% mAP）和YOLOv1（45 FPS 时 63.4% mAP）
PyTorch深度学习实战（18）——目标检测基础
盼小辉丶的博客
09-29 8353
目标检测是计算机视觉领域中的重要任务，它旨在从图像或视频中准确地定位和识别出感兴趣的目标物体，目标是将输入图像中的目标区域框出，并为每个目标提供正确的类别标签，在许多应用领域都有广泛的应用，包括智能监控、自动驾驶、人脸识别等。在本节中，介绍了如何利用 ybat 准备训练数据集、使用 SelectiveSearch 库实现区域提议算法、对模型的预测执行非极大值抑制以及衡量模型性能。
SSD基于深度学习的目标检测
05-30
Single Shot MultiBox Detector
深度学习目标检测算法之SSD算法
风间琉璃的博客
03-27 2444
SSD目标检测算法原理！！！
深度学习目标检测算法-SSD算法
weixin_42572978的博客
07-04 430
论文：SSD: Single Shot MultiBox Detector 翻译：https://www.cnblogs.com/pengsky2016/p/8006546.html github：https://github.com/weiliu89/caffe/tree/ssd 直接回归目标类别和位置 不同尺度的特征图上进行预测 端到端的训练 图像的分辨率比较低，也能保证检测的精...
深度学习-物体检测SSD
m0_73426548的博客
09-12 1284
以VGG-16为基础，使用VGG的前五个卷积，后面增加从CONV6开始的5个卷积结构，输入图片要求300*3001. 分别将VGG16的全连接层FC6和FC7转换成3x3的卷积层Conv6和1x1的卷积层Conv72.去掉所有的Dropout层和FC8层3.同时将池化层pool5中的stride=2的2x2变成了stride=1的3x34.添加了Atous算法，目的获取更加密集的得分映射5.然后在VGG16的基础上新增了卷积层来获得更好的特征图以用于检测。
基于深度学习的目标检测DET - SSD
mao_feng的博客
08-30 4358
SSD: Single Shot MultiBox Detector, 是一个end to end 的目标检测识别模型。先小八卦下，它属于google派系，它的作者也是googlenet的作者。该模型旨在高精度的快速识别， 它不用额外计算bounding box而能达到相当的识别精度，而且速度有极大的提高，号称可以达到58的FPS 和 72.1%的mAP。   我们先来看下这个模型的全貌。
深度学习之SSD总结
weixin_45963617的博客
06-26 1863
SSD是一种直接预测目标类别和bounding box的多目标检测算法。它使用低层feature map检测小目标，使用高层feature map检测大目标。 一、SSD的优势与劣势 1.优势 （1）没有生成边界框（proposal）的过程，进而提高了速度。 （2）SSD的核心是预测固定的一系列默认边界框的类别分数和边界框偏移，使用更小的卷积滤波器应用到特征映射上。 （3）为了实现高检测精度，我们...
深度学习之目标检测（四）-- SSD算法理论
木卯_THU的博客
08-17 2887
深度学习之目标检测（四）-- SSD算法理论深度学习之目标检测（四）SSD算法理论1. SSD -- 真正的实时，单阶段检测器1.1 预测特征层1.2 Default Box1.3 Predictor1.4 训练过程中正负样本选择1.5 损失计算1.6 总结 深度学习之目标检测（四）SSD算法理论 本章学习 FPN 相关知识，学习视频源于 Bilibili。 Faster R-CNN 存在的问题： 对于小目标检测效果很差 个人看法：只在一个特征层上进行预测 (FPN对此进行了改善)，而这个特征层经过很多
（转）SSD原理解读-从入门到精通
逍遥王的博客
03-19 3631
前言 五一假期期间，写了几篇SSD源码解读系列文章，阅读完源码之后，SSD的很多细节都弄懂了，经过这几个月的工作和学习，对SSD又有了新的理解，这里跟大家一起分享我对SSD的一些理解，欢迎一起讨论交流。 目录 前言 目录 SSD效果为什么这么好 原因1：多尺度 原因2：设置了多种宽高比的default box 理论感受野和有效感受野 为什么要设置default box? default bo...
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