SSD系列1——网络结构

原创 已于 2023-05-10 16:44:59 修改 · 1.8k 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。
文章标签：

#深度学习 #人工智能

于 2023-05-10 15:34:23 首次发布
SSD在VGG16基础上增加卷积模块以检测不同尺度的目标，使用300x300的输入图像，通过改变池化层和应用空洞卷积来维持特征图尺寸并扩大感受野。深层卷积层用于获取更高维度的语义信息，1x1卷积降低通道数后再进行3x3卷积。

SSD系列：
SSD系列1——网络结构
SSD系列2——PriorBox
SSD系列3——损失计算

SSD网络结构概述

  SSD在VGGNet的基础上，增加了4个卷积模块，这些卷积模块获得的特征图具有不同的感受野，可以较好地检测不同尺度的目标。

在这里插入图片描述

VGG16

  SSD网络使用VGG16作为基础网络，输入图像的尺寸为 300 × 300 × 3 300×300×3 300×

最低0.47元/天 解锁文章
cv君独家视角 | AI内幕系列二十五：精选目标检测3——yolo1、yolo2、yolo3和SSD的网络结构汇总对比
cv君的博客
03-25 3万+
学习前言 各个网络的结构图与其实现代码 1、yolo1 2、yolo2 3、yolo3 4、SSD 总结 学习前言 ……最近在学习yolo1、yolo2和yolo3，事实上它们和SSD网络有一定的相似性，我准备汇总一下，看看有什么差别。 各个网络的结构图与其实现代码 1、yolo1 在这里插入图片描述 由图可见，其进行了二十多次卷积还有四次最大池化，其中3x3卷积用于提取特征，1x1卷积用于压缩特征，最后将图像压缩到7x7xfilter的大小，相当于将整个图像划分为7x7
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 9万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
网络结构图SSD
03-31
SSD网络图
ssd网络结构_环境感知技术入门(十二) | 详细解读SSD目标检测框架
weixin_39732506的博客
12-09 1759
一、SSD整体网络结构SSD 的网络结构如图1所示， 包含基础VGG结构、深度卷积层、边框特征提取网络、PriorBox 生成机制四部分；图1 SSD网络结构1.1 基础VGG结构 图2 骨干网络与原始VGG16对比图从图2最中我们可以清晰的看到在以VGG16做骨干网络时，在 conv5后丢弃了VGG16中的全连接层改为了1024×3×3和1024×1×1的卷积层。其中 conv4-1卷积层前面的...
ssd网络结构_SSD的理解
weixin_39834281的博客
12-06 2136
前段时间一直在看ssd，但是总是不太明白，今天突然明白了，就记录下自己的理解先看下ssd的网络结构如下：由于不想画这个结构，就盗了别人的图，非常感谢此作者。SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。可以明显看到SSD利用了多尺度的特征图做检测。模型的输入图片大小是300x300（还可以是512x512，其与前者网络结构没有差别，只是最后新增...
SSD网络介绍
toCVer的博客
06-24 7370
SSD
论文阅读：SSD
j879159541的博客
09-04 791
一、对网络的理解 1、SSD网络结构 这个网络主要是利用了不同层的feature map，不同层的feature map尺寸大小不一样，可以用于产生不同尺寸的先验框，再加上同一种尺寸下不同长宽比的先验框，6个feature map的情况下用可以产生8732个先验框，覆盖范围非常广。 其中，先验框的产生是利用小的卷积核去卷积feature map，所以产生先验框的同时可以预测框的坐标 大小 以及对...
SSD系列3——损失计算
python_plus的博客
05-10 898
本文简要介绍了SSD中的损失值计算，参考《深度学习之Pytorch物体检测实战》
SSD原理及Pytorch代码解读——网络架构（一）：基础结构
weixin_41693877的博客
07-24 1184
基础VGG结构 SSD采用VGG16作为基础网络，并在其基础上做了一些改动，如下图所示。输入图像经过预处理后大小固定为300×300，首先经过VGG16网络的前13个卷积层，然后利用两个卷积Conv 6与Conv 7取代了原来的全连接网络，进一步提取特征。 与原来的VGG16的网络结构相比，主要的改动在这三个方面： 使用两个卷积模块Conv 6与Conv 7取代了原来的全连接网络。 原始的VGG 16的池化层统一大小为2×2，步长为2（这样设计使得特征图经过conv层不改变特征图的尺寸，经过pool层特征
ssd网络结构_SSD原理及代码解读(Pytorch)
weixin_39827585的博客
11-30 1053
SSD全称为Single Shot MultiBox Detector，为one-stage的目标检测算法。与two-stage的目标检测算法不同，SSD完全消除了Proposal的生成过程，将所有的计算统一到一个Network中。并且，其在不同尺度的feature maps上输出bounding boxes，以此来应对目标检测中物体尺寸大小不一的问题。与同为one-stage目标检测的Yolo ...
SSD300网络结构(pytorch)
12-22
一.如图是预测框的相应feature map  其中anchor的长宽关系，s就是上图中的scale,a就是上图中的anchor ratio 二.代码 主要由三部分组成 1.vgg作为基础网络 要注意的是作者对38*38*512进行L2正则化，并用一个可学习参数调节通道权重 2.增加大目标检测网络 3.输出包括预测框的偏移量输出与分类 偏移量计算 误检的HEM(hard negative mine)loss函数，用于分类 import torch import os from torch import nn import torch.nn.functional as F im
ssd网络结构简单说明
Hhsh672772的博客
04-30 2746
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
SSD网络结构
It is me 的博客
07-10 1447
SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。SSD的网络结构如图5所示。上面是SSD模型，下面是Yolo模型，可以明显看到SSD利用了多尺度的特征图做检测。模型的输入图片大小是 [公式] （还可以是 [公式] ，其与前者网络结构没有差别，只是最后新增一个卷积层，本文不再讨论） ...
ssd网络结构_SSD论文与代码详解
weixin_39594895的博客
12-09 951
1.前言目标检测领域，从FasterRCNN的实战，Anchor，从loss到全局解析到YOLO V1,YOLO V2,YOLO V3的网络讲解，YOLO V3的anchor和loss都已经讲完了。按照进程来说，理应讲解一些最新的，SOTA的模型了，比如YOLO V4或者EfficientDet，但是要是目标检测领域中不讲点SSD和RetinaNet，感觉就是不完整的。所以接下来两栏，对SSD和R...
SSD网络
TEDDY的博客
03-06 6004
two-stage：以R-CNN系列为代表，这类方法通常包括两个部分，第一部分先使用selective search、卷积神经网络等筛选出一些proposal boxes，然后第二部分再对这些proposal boxes进行分类和回归。这就相当于进行了两次分类和回归，因此检测的准确率较高，但是可想而知检测的速度也就比较慢了。 one-stage：以YOLO为代表，这类方法的主要思路就是在图片的不同位置进行密集采样，然后使用CNN网络提取特征并直接进行分类和回归，整个过程只要一步就可完成。这种方法的优势是检
SSD网络模型详解
m0_56247038的博客
06-11 6934
步骤理解 下面算一下每一层的像素值计算： 输入：300 * 300 * 3 conv3-64(卷积核的数量)----------------------------------------kernel size:3 stride:1 padding:1 像素：（300 + 2 * 1 – 1 * （3 - 1）- 1 ）/ 1 + 1=300 ---------------------输出尺寸：300 * 300 * 64 参数： （3 * 3 * 3）* 64 =1728 conv3-64--------
第四章:SSD网络详解
ADICDFHL的博客
07-06 2076
摘要：本文提出了一种使用单个深度神经网络在图像中检测物体的方法。我们的方法名为SSD，它将边界框的输出空间离散化为每个特征图位置上不同长宽比和尺度的一组默认框。在预测时，网络为每个默认框中每个物体类别的存在生成得分，并对框进行调整以更好地匹配物体形状。此外，网络结合了具有不同分辨率的多个特征图的预测，以自然地处理不同大小的物体。相对于需要物体提议的方法，SSD非常简单，因为它完全消除了提议生成和后续像素或特征重采样阶段，并将所有计算封装在一个网络中。
ssd网络结构_环境感知技术入门(十二) 详细解读SSD目标检测框架
2401_89191834的博客
01-12 541
SSD 的网络结构如图1所示， 包含基础四部分；图1 SSD网络结构图2 骨干网络与原始VGG16对比图从图2最中我们可以清晰的看到在以VGG16做骨干网络时，在 conv5后丢弃了VGG16中的全连接层改为了1024×3×3和1024×1×1的卷积层。其中 conv4-1卷积层前面的 maxpooling层的 ceil_model=True，使得输出特征图长宽为 38 × 38。
ssd网络结构_目标检测算法SSD结构详解
weixin_39594103的博客
12-06 4156
❝上期我们一起学习了Faster RCNN的损失函数以及如何进行模型训练的相关知识，如下：Faster RCNN的损失函数以及模型训练流程❞本文主要学习：One-Stage / Two-StageSSD模型结构我们知道之前学的RCNN系列需要选取候选框和分类回归两步操作，称为Two-Stage类算法。今天我们学习一种新的目标检测算法SSD(Single Shot MultiBox Det...
SSD目标检测网络结构简图
最新发布
05-17
### SSD目标检测网络结构概述 SSD（Single Shot MultiBox Detector）是一种高效的目标检测算法，其核心思想是在多个特征图上同时进行边界框的分类和回归操作。以下是SSD网络的主要组成部分及其功能： #### 1. 基础...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

晓shuo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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