目标检测算法（五）——SSD

参宿四炸了吗

于 2019-07-16 00:06:11 发布

阅读量538

点赞数

分类专栏：计算机视觉

本文链接：https://blog.youkuaiyun.com/qq_33604695/article/details/90760091

版权

SSD（Single Shot MultiBox Detector）是一种目标检测算法，以其速度和精度优势在ECCV 2016上提出。它采用特征金字塔结构，利用不同层级的特征图进行检测，提高了检测效果。SSD在VOC2007数据集上的表现为59FPS，mAP为74.3%，优于Faster R-CNN和YOLO。默认框（default boxes）和纵横比（aspect ratios）是其关键概念，用于定位和分类。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

SSD，全称Single Shot MultiBox Detector，是Wei Liu在ECCV 2016上提出的一种目标检测算法，截至目前是主要的检测框架之一，相比Faster R-CNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被CVPR 2017的YOLO9000超越）。在VOC2007数据集上，SSD的结果为59FPS，mAP为74.3%；Faster R-CNN为7FPS，mAP为73.2%；YOLO为45FPS，mAP为63.4。

一）SSD网络结构

下图是原论文中，SSD-300网络结构和YOLO的对比，VGG网络在之前有所介绍。
在这里插入图片描述
从图中可以看到，YOLO模型在卷积层后接两个全连接层，然后直接用于检测，相当于最终只利用了最高层（后）的特征图；而SSD采用了特征金字塔结构进行检测，即检测时利用了图中的conv4-3，conv-7(FC7)，conv6-2，conv8-2，conv9_2，conv11_2共6个层次不同的feature maps，在多个feature maps上同时进行softmax分类和位置回归。不同层级的特征图，往往体现目标特征的尺度大小、抽象程度也不同，因此SSD相比之前的网络模型，效果有进一步地提升。作者在论文中

最低0.47元/天解锁文章