DSSD:Deconvolution Single Shot Detector

最新推荐文章于 2024-11-08 15:00:32 发布
原创 最新推荐文章于 2024-11-08 15:00:32 发布 · 457 阅读 · 0 ·
CC 4.0 BY-SA版权
本文为博主原创文章，未经博主允许不得转载。
文章标签：

#检测算法

DSSD通过引入Residual-101网络和反卷积层，提升了对小物体和多物体检测的准确性，但速度下降。相比SSD的46FPS，DSSD降至11.2FPS。文章回顾了SSD，并详细讨论了预测模块、反卷积模块和框比例的选择。DSSD采用k-means聚类来确定aspect radio，以提高检测性能。

论文来源

作者: http://www.cs.unc.edu/~wliu/

论文: https://arxiv.org/abs/1701.06659

效果展示: http://www.cs.unc.edu/~cyfu/dssd_lalaland.mp4

其中主要展示的是对大物体-- 人物的追踪比较多，其他物体比重不大。

Abstract

采用Residual-101代替VGG网络 引入反卷积层

对于小物体和多个物体的识别正确率提升，但是速度是下降的。如下图所示，每组图片中左边是SSD的结果，右边是DSSD的结果。 从速度方面，SSD的速度是DSSD是快的。原来SSD可以大搞46FPS,当前使用Residual-101之后大于为11.2FPS。速度是原来的1/4. 也就是我们可以考虑在ResNet和VGG选择，权衡正确率和速度。

SSD 回顾

这个可以看[gwyve的ssd]http://gwyve.com/blog/2017/03/01/reading-note-SSD.html

Prediction Module

这个模块的设计是根据MS-CNN[^1]提出的"improving the sub-network of each task can improve accuracy."

Deconvolutional SSD

Deconvolution Module

  1. a batch normalization layer is added after each convolution layer.
  2. learned deconvolution layer instead of bilinear upsampling.
  3. test different combination methods: element-wise sum and element-wise product.

Box radio

原理ssd中box radio选用的是2 and 3. 本文中采用YOLO9000中的kmeans聚类方法进行选取aspect radio.

result

参考文献

[^1]. Z. Cai, Q. Fan, R. S. Feris, and N. Vasconcelos. A unified multiscale deep convolutional neural network for fast object detection. In ECCV, 2016.

DSSD: Deconvolutional Single Shot Detector 论文笔记
Jesse_Mx的博客
02-15 2万+
论文地址：DSSD : Deconvolutional Single Shot Detector概述这篇论文应该算是SSD: Single Shot MultiBox Detector的第一个改进分支，作者是Cheng-Yang Fu， 我们熟知的Wei Liu大神在这里面是第二作者，说明是一个团队的成果，论文很新，暂未发布源代码。博主对该文章重要部分做了翻译理解工作，不一定完全对，欢迎讨论。在SS
DSSD : Deconvolutional Single Shot Detector
王小胖儿的博客
04-25 4811
《DSSD : Deconvolutional Single Shot Detector》[1]  2017年发表在CVPR上。     前身是《SSD: Single Shot MultiBox Detector》[2]  推荐博客：论文阅读：SSD: Single Shot MultiBox Detector     两者都是物体检测领域的文章，DSSD对小目标检测效果较SSD有所提升。
DSSD：Deconvolutional Single Shot Detector
风一样的男子（quinta）的博客
05-22 843
arxiv：https://arxiv.org/abs/1701.06659 github：https://github.com/chengyangfu/caffe/tree/dssd github：https://github.com/MTCloudVision/mxnet-dssd demo：http://120.52.72.53/www.cs.unc.edu/c3pr90ntc0td/...
论文阅读笔记三十四：DSSD: Deconvolutiona lSingle Shot Detector（CVPR2017）
weixin_34100227的博客
12-20 552
论文源址：https://arxiv.org/abs/1701.06659 开源代码：https://github.com/MTCloudVision/mxnet-dssd 摘要 DSSD主要是向目标检测结构中增加语义信息。本文首先结合ResNet-101与SSD，然后，在此基础上添加反卷积层用于增大目标检测中的语义信息，从而提高目标物体尤其是小物体检测的准确率。本文...
【论文阅读笔记】DSSD：Deconvolutionl Single Shot Detector
时光机 °的博客
03-05 648
论文地址：DSSD：Deconvolutionl Single Shot Detector 论文时间：2017.01发布，无修改 全文概括   DSSD 相对于 SSD 增加部件的思路和 FPN 相似，都是增加一个 top-down 路径，同时增加一个 skip-connection 横向连接。在预测时，DSSD 研究了几个 预测模块 (PM，Prediction Module) ，发现在输出...
DSSD : Deconvolutional Single Shot Detector论文阅读笔记
weixin_43422466的博客
08-03 663
文章目录DSSD : Deconvolutional Single Shot Detector论文阅读笔记2017Abstract1. Introduction2. Related Work3. Deconvolutional Single Shot Detection (DSSD) model3.1 Using Residual-101 in place of VGG3.2 Prediction module3.3 Deconvolutional SSD3.4 Deconvolution Modul
论文阅读-《DSSD : Deconvolutional Single Shot Detector》
yj_isee的博客
06-15 9040
arxiv 23/1/2017SSD作者Wei Liu的新作Motivation通过增加context的信息来提高目标检测的准确率是一个常见的方法，在SSD当中，作者没有利用到context的信息，因此，作者在DSSD里面尝试通过加入context来改善SSD的性能Framework 上图表示SSD的基本结构，采用的是VGG作为base network，后来有作者新加的SSD layer，然后在选
DSSD : Deconvolutional Single Shot Detector 论文笔记
qq_30146937的博客
05-14 546
前言 SSD使用较浅的层来预测小目标，用较深的层来预测大目标，这样虽然能够实现多尺度目标检测，但由于浅层的特征图语义信息不够强，缺乏高层的语义特征，因此SSD对小目标的检测效果很差。这样来看的话，如果我们要提升检测精度，要么使用更好的特征网络 以提取判别性更强的特征，要么增加上下文信息，也就是将高层语义特征融入浅层特征图中，这对于检测小目标是很重要的。 本文最重要的贡献是，将上下文信息引入目标检测中。将SSD的基础网络从VGG换成ResNet-101，以更好地提取特征；同时利用反卷积层（deconvolut
【目标检测】DSSD:Deconvolutional Single Shot Detector
zhw864680355的博客
12-12 515
论文：《DSSD:Deconvolutional Single Shot Detector》 论文地址：https://arxiv.org/abs/1701.06659 1、背景 SSD算法在检测小目标时精度并不高，本文是在在SSD的基础上做出一些改进，引入卷积层，能综合上下文信息，提高模型性能。 DSSD针对小目标鲁棒性太差，提出了以下两个贡献：1. 把SSD的基准网络从VGG换成了Re...
READING NOTE: DSSD: Deconvolutional Single Shot Detector
joshua_1988
02-10 1923
TITLE: DSSD: Deconvolutional Single Shot Detector
[论文笔记]DSSD : Deconvolutional Single Shot Detector
恰同学少年的博客
12-25 1728
论文”DSSD : Deconvolutional Single Shot Detector”是对目标检测方法SSD (“SSD: Single Shot MultiBox Detector”)的改进版，都是同一作者团队发表的。 论文链接：https://arxiv.org/pdf/1701.06659 SSD的缺点： 虽然SSD利用了浅层的特征来检测小目标，（浅层 small recept
DSSD（Deconvolutional Single Shot Detector）
BigData私房菜
02-20 866
本文作者将当前表现最好的分类器Residual-101和SSD进行了结合，并为SSD+Residual-101添加了额外的降卷积层以引入大尺度的context用于提高目标检测的精度，尤其是小目标。DSSD又叫做deconvolutional single shot detector。虽然这两种贡献容易在高层上表达，但是简单的配置是不会成功的。相反，作者展示谨慎的添加额外的学习转换阶段，具体是一个在...
深度学习【52】物体检测：DSSD : Deconvolutional Single Shot Detector
DCD_LIN的博客
07-23 1125
f
DSSD(Deconvolutional Single Shot Detector)--目标检测
zk_ken的博客
01-15 911
论文地址：https://arxiv.org/abs/1701.06659 Github 源码（caffe版）：https://github.com/chengyangfu/caffe/tree/dssd 1、文章概述     DSSD(Deconvolutional Single Shot Detector)是SSD算法改进分支中最为著名的一个，SSD的其他改进还包括RSSD（https://...
论文DSSD:Deconvolutional Single Shot Detector详解（包含代码详解）
最新发布
Keep_Trying_Go的博客
11-08 1120
（推荐）
DSSD:Deconvolutional Single Shot Detector-------论文理解
ruoruojiaojiao的博客
04-13 396
参考博客：https://blog.youkuaiyun.com/jesse_mx/article/details/55212179?utm_source=itdadao&utm_medium=referral 1. 概述 改论文中，作者总的有两个贡献： 一，将原始的SSD中用到的骨干网络vgg-16换为resnet-101，目的是为了使特征提取能力更强； 二，检测网络中，在原有SSD后添加的...
【论文笔记】Learning Deconvolution Network for Semantic Segmentation
xiaxzhou的博客
07-01 2821
Learning Deconvolution Network for Semantic Segmentation首先介绍了基于FCN的语义分割，如论文： Fully Convolutional Networks for Semantic Segmentation Semantic Image Segmentation with Deep Convolutional Nets and Fully Co
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