深度学习笔记1：end-to-end、anchor box解释、人体检测代码

jay463261929

于 2017-02-22 16:15:04 发布

阅读量2.6w

点赞数 7

分类专栏：机器学习

本文链接：https://blog.youkuaiyun.com/jay463261929/article/details/56487501

版权

这篇博客探讨了深度学习中的end-to-end学习和anchor box的概念在人体检测中的作用。候选区域（anchor）是算法的关键，每个位置考虑9个不同尺寸和比例的候选窗口，用以覆盖可能的目标。尽管anchor的具体实现细节尚未明确，但其基本思想已经介绍，为理解人体检测的流程提供了基础。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SSD（SSD: Single Shot MultiBox Detector）是采用单个深度神经网络模型实现目标检测和识别的方法。该方法是综合了Faster R-CNN的anchor box和YOLO单个神经网络检测思路(end-to-end).

https://github.com/weiliu89/caffe/tree/ssd (人体检测代码)

非end-to-end方法：
目前目标检测领域，效果最好，影响力最大的还是RCNN那一套框架，这种方法需要先在图像中提取可能含有目标的 候选框（region proposal），然后将这些候选框输入到CNN模型，让CNN判断候选框中是否真的有目标，以及目标的类别是什么。在我们看到的结果中，往往是类似与下图这种，在整幅图中用矩形框标记目标的位置和大小，并且告诉我们框中的物体是什么。
这种标记的过程，其实是有两部分组成，一是目标所在位置及大小，二是目标的类别。在整个算法中，目标位置和大小其实是包含在region proposal的过程里，而类别的判定则是在CNN中来判定的。

最低0.47元/天解锁文章