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

原创最新推荐文章于 2022-05-11 14:51:24 发布 · 1.6k 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#SSD #tensorflow

目标检测专栏收录该内容

4 篇文章

订阅专栏

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.

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

P0ny

关注关注

3
点赞
踩
1

收藏

觉得还不错? 一键收藏
5
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

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

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？ ...

5 条评论您还未登录，请先登录后发表或查看评论

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( 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...

ssd anchor_size 计算方法（附计算代码）、参数调整建议、map 计算

Damon的博客

05-20

2748

怎么计算anchor size 自己用的GitHub 上 balacap这个版本的。是什么意思就不说了，网上很多，只说如果修改了min_sizes和max_sizes后，怎么计算anchor_size。可以直接跑下面的代码得到修改后的数据。‘ import math,os # just change this min_ratio and max_ratio min_ratio = 20 max_ratio = 90 step = int(math.floor((max_ratio -.

SSD详解 + default box生成过程

gbyy42299的博客

07-27

1万+

在mxnet上面看李沐大神的视频，自己看了SSD的paper里面还是有些一知半解的东西，于是就用篇博客记录下来。文章中的图和部分见解都来自于网络有些错误的图已经修正，如有侵权，联系我删除。先放一张SSD算法的模型图。SSD采用不用卷积层的feature map进行综合，将VGG16的最后两层全连接改为卷积层并额外增加四个卷积层来达到构造网络。对于这5个不同尺度的卷积层输出的feature ...

anchor的理解

shuijinghua的博客

04-16

4076

参考:https://blog.youkuaiyun.com/xzzppp/article/details/51377731 首先我们需要知道anchor的本质是什么，本质是SPP(spatial pyramid pooling，空间金字塔池化)思想的逆向。而SPP本身是做什么的呢? 就是将不同尺寸的输入resize成为相同尺寸的输出,使得任意大小的特征图都能够转换成固定大小的特征向量,这就是空间...

SSD的anchor_box计算

m0_37188294的博客

12-06

2643

转自：http://www.pianshen.com/article/129360549/ 写的很好很清晰。防删防遗忘，有问题请联系看过SSD的tensorflow实现的小伙伴一定对anchor_box的计算很是好奇, 网上也是五花八门的解释,今天我结合源码和原理来解释一下. default_params = SSDParams( img_shape=(300, 300),...

SSD算法代码介绍（五）：网络结构细节

AI之路

02-17

8441

上一篇博客：MXNet框架的SSD算法代码介绍（四）：symbol_builder.py 介绍了网络主干结构构建、损失函数定义等代码，但是网络的详细构建内容是在common.py脚本中的两个重要函数：multi_layer_feature和multibox_layer进行的，比如基于分类网络新增加的一些层、预测层的定义等，因此接下来这篇博客介绍common.py脚本。 common.py这个...

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) ```