SSD中feat_shapes与anchor_steps的对应问题

最新推荐文章于 2022-05-11 14:51:24 发布
最新推荐文章于 2022-05-11 14:51:24 发布
阅读量1.6k 收藏 1
点赞数 3
CC 4.0 BY-SA版权
分类专栏： # 目标检测 文章标签： SSD tensorflow
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/qq_36735489/article/details/83654900
本文探讨了在目标检测算法中，Anchor Step与Feat Shape之间的关系及其计算原理。通过实例说明，解释了如何通过向上取整操作确保两者乘积等于预设值，如300。这一过程对于理解特征图的尺寸与锚框步长之间的对应关系至关重要。

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

feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)]
anchor_steps=[8, 16, 32, 64, 100, 300],

按理说anchor_step * feat_shape 应该全部等于300的呀, 可为什么不是呢? 这就涉及到向上取整的问题了.300/38 = 7.89 那就是8, 300/19 = 15.789 那就是16, 以此类推. 这个问题就明白了.

Single Shot Detection(SSD)bbox prediction相关的（超）参数
Daniel2333的博客
04-28 3439
参考https://github.com/balancap/SSD-Tensorflow 记录SSD的（超）参数。SSDParameters( img_shape=(300, 300), num_classes=21, no_annotation_label=21, feat_layers=['block4', 'block7', 'block8', 'bloc
SSD-目标检测代码解读
qq_41576083的博客
11-22 4836
最近看了SSD的源代码，理了一下其中的逻辑，写一篇学习笔记。 代码地址：https://github.com/balancap/SSD-Tensorflow 一、网络结构 首先贴出来网络结构图，便于后续的分析，这里的图是SSD 300的结构图，而我看的代码是SSD 512，但是思想差别不大，可以看出来SSD比YOLO的差别就是，不仅在最后一层提取预选框，而是在中间某几层就已经开始通过3X3的...
关于SSD算法中的anchor_step参数
qq_40288627的博客
10-16 560
关于SSD算法中的anchor_step参数 许多代码中都是[8,16,32,64,100,300] 图像输入大小是300*300 其中8,16,100,300都容易理解，因为和feature_size正好整除，但是中间的32和64不是整数倍，整数倍应该是30和60，网上大部分解释都是说写32和64是8的倍数，便于计算机计算，那么后面的为什么两个teature又变成整数倍呢，而且也不是8的倍数？ ...
SSD 速度性能分析及anchor的选择
chenlufei_i的博客
03-20 3590
SSD最大特点是速度快 1. 因为是end to end 的 网络，没有其他冗余机构 2. anchor 是在大格上（8x8），每个格子有5中尺寸，整体anchor比Faster-RCNN中少很多 3. 4-3,7,8-2,9-2,10-2,11层 5个层都做多尺度回归，为了改善小目标检测效果不佳 4. 整个网络是框回归的思想 generate anchor/原文中叫 def...
SSD中anchor_sizes是如何得到的,全解析.
P0ny的博客
11-02 9191
想研究SSD的同学一定看过tensorflow实现的SSD的源码,想必对很多参数一脸蒙蔽(我就是) default_params = SSDParams( img_shape=(300, 300), num_classes=21, no_annotation_label=21, feat_layers=['block4', 'bloc...
【深度学习SSD】——深刻解读SSD tensorflow及源码详解
热门推荐
c20081052的专栏
05-22 4万+
本文主要针对SSD的tensorflow框架下的实现的源码解读即对网络模型的理解。 【前言】 首先在github上下载tensorflow版的SSD repository：https://github.com/balancap/SSD-Tensorflow 同时附上论文地址：SSD 论文下载 解压SSD-Tensorflow-master.zip 到自己工作目录下。 S...
SSD-Tensorflow超详细解析【一】：加载模型对图片进行测试
AI前行之路
06-07 3万+
SSD-tensorflow——github下载地址：SSD-Tensorflow 目标检测的块速实现 下载完成之后我们打开工程，可以看到如下图所示的文件布局： 首先我们打开checkpoints文件，解压缩ssd_300_vgg.ckpt.zip文件到checkpoints目录下面。注意：解压到checkpoints文件夹下即可，不要有子文件夹。 然后打开notebooks的ssd_...
目标检测自学记录之SSD
骇浪涛的博客
08-11 909
作为一名即将入学的硕士研究生，我觉得有必要将自己平时学习、做项目过程中遇到的问题等记录下来，以便于以后的整理与复习。因本人水平有限，博客中可能会有一些错误理解，欢迎大家指正，共同交流进步。本文为我的第一篇博客，格式、内容、表达等方面都有欠缺，以后会逐渐加强。本文记录我在学习SSD过程中参考的相关资料以及部分个人理解。
SSD 源码解析 （TensorFlow version）
qq_42111088的博客
09-04 453
1 网络架构 ssd_net.py 在ssd_net.py文件给出了VGG16Backbone类，如下： class VGG16Backbone(object): def __init__(self, data_format='channels_first'): super(VGG16Backbone, self).__init__() self....
SSD 源码分析
denghe优快云的博客
08-22 2115
1、将随机数字去重+排序 程序如下： bool comp(const int &s1, const int &s2) { return s1 < s2; } int main() { int num_total,num; int a[1000] = {0}; // 注意：此时的下标索引不再仅仅是0~9的数字了，而是一个数，可能很大 cin >> num_total;
SSD( Single Shot MultiBox Detector)关键源码解析
mindfusion的博客
04-24 3594
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。如图0-1所示，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（YOLOv2也采用了类似的思路，详见YOLO升级版：YOLOv2和YOLO9000解析），既有Faster R-CNN的准确率又有YOLO的检测速度，可以实现
SSD小记（一） SSD怎样在特征图上放置anchor
qq_42450404的博客
06-18 3792
一、SSD中anchor_sizes是如何得到的 default_params = SSDParams( img_shape=(300, 300), num_classes=21, no_annotation_label=21, feat_layers=['block4', 'block7', 'block8', 'block9', ...
SSD算法中的anchor生成（基于mxnet）
斯人若彩虹，遇上方知有！
12-11 1122
1.anchor 就是一系列固定大小、宽高比的框，这些框均匀分布在输入图像上，而检测模型的目的就是基于这些anchor得到 预测框的偏置信息，使得anchor加上偏置信息得到预测框能够尽可能地接近真实目标框！对应SSD论文中的default box!!! # mxnet中提供了生成anchor的接口mxnet.ndarray.contrib.MultiBoxPrior() # 查看用法 # 1 help(mx.nd.contrib.MultiBoxPrior) # 2 mx.nd.contrib.Mult
目标检测之SSD原理与实现
zhangjunp3的博客
06-06 1万+
一、设计理念论文下载：点击打开链接SSD和Yolo一样都是采用一个CNN网络来进行检测，但是却采用了多尺度的特征图，其基本架构下图所示。下面将SSD核心设计理念总结为以下三点：1.采用多尺度特征图用于检测所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用...
深度学习——SSD目标检测网络源码学习之主干网络
weixin_42465713的博客
12-04 910
本文主要涉及到主干网络的一些参数原理以及anchor和正负样本标签的生成方式 SSDNet参数 default_params = SSDParams( img_shape=(300, 300), num_classes=21, no_annotation_label=21, feat_layers=['block4', 'blo...
目标检测模型---SSD
gg13213的博客
05-11 6746
目标检测定义
关于SSD默认框产生的详细解读
xunan003的博客
01-28 2万+
关于SSD的训练脚本ssd_pascal.py请参看博主博文：点击打开链接 本文详细解读ssd默认框的产生过程。 1. 默认框产生的个数         我们都知道SSD默认框从6层卷积层输出的特征图中产生，分别为conv4_3、fc7、conv6_2、conv7_2、conv8_2、conv9_2。这6个特征层产生的特征图的大小分别为38*38、19*19、10*10、5*5、3*3、1*
修正anchor数值
Asunany的博客
10-18 1304
    以下内容为转载 作者：Gotta-C  来源：优快云   转载地址 ：https://blog.youkuaiyun.com/cgt19910923/article/details/82154401     anchor boxes用来预测bounding box，faster rcnn中用128*128,256*256,512*512,分三个尺度变换1：1,1：2,2：1,共计9个anch...
feat_flatten = torch.cat(feat_flatten, 2) spatial_shapes = torch.as_tensor( spatial_shapes, dtype=torch.long, device=feat_flatten.device)
最新发布
03-29
<< `torch.cat(feat_flatten, 2)` 是 PyTorch 中的一个操作，用于沿着指定维度（这里是第 2 维）对张量进行拼接。 具体来说： ### 关于 `torch.cat` - **功能**: 将多个张量按照指定的维度拼接到一起。 - **参数**: - 第一个参数是一个包含张量的列表或元组。 - 第二个参数是指定沿哪个维度进行拼接，默认值为0。 例如： ```python import torch # 创建两个简单的二维张量 a = torch.tensor([[1, 2], [3, 4]]) b = torch.tensor([[5, 6]]) # 沿着第一个维度(行)进行拼接 result = torch.cat([a, b], dim=0) print(result) ``` 输出将是： ``` tensor([[1, 2], [3, 4], [5, 6]]) ``` 在这里的例子中： ```python feat_flatten = torch.cat(feat_flatten, 2) ``` 假设 `feat_flatten` 是一个包含多个张量的列表，并且这些张量形状除了第二个维度外其他都相同。那么这行代码将把这些张量沿着第三个维度拼接起来。 接下来这一部分代码： ```python spatial_shapes = torch.as_tensor(spatial_shapes, dtype=torch.long, device=feat_flatten.device) ``` 其作用是把 Python 列表或者其他非Tensor类型的变量转换成PyTorch中的长整型(Tensor类型)，并确保新创建的 tensor 和之前的 `feat_flatten` 使用相同的设备 (CPU 或 GPU). 其中用到的方法有: - `torch.as_tensor`: 这个函数可以把数据结构如list、numpy array等转化为pytorch Tensor. - 参数说明: - 数据本身(`spatial_shapes`)； - 数据类型(`dtype=torch.long`); - 设备信息 (`device=feat_flatten.device`); 完整的示例代码可能看起来像这样: ```python import torch # 假设有以下输入特征张量和其他相关信息 feat_list = [ torch.randn(2, 8, 7, 7), # batch x channels x height x width torch.randn(2, 16, 3, 3), ] spatial_shape_list = [(7, 7), (3, 3)] # Flatten features and concatenate along the channel dimension feat_flattened = [] for feat in feat_list: n, c, h, w = feat.shape feat_flattened.append(feat.flatten(2)) # flatten to shape (n,c,h*w) feat_flatten = torch.cat(feat_flattened, dim=-1) # Convert spatial shapes into a long-type tensor on same device as feature tensors spatial_shapes = torch.as_tensor( spatial_shape_list, dtype=torch.long, device=feat_flatten.device ) print("Flattened Feature Shape:", feat_flatten.shape) print("Spatial Shapes Tensor:\n", spatial_shapes) ```
评论 5
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