SSD检测网络（One Stage）

 

Faster RCNN对小目标检测效果差的原因：

        它只是在一个特征层上进行预测的，而这个特征层是经过很多卷积层之后得到的feature maps，它已经被抽象到一个比较高的层次了。而抽象的层次越高的话，它的一些细节的保留就越少，而检测小目标通常就需要这些细节信息。所以，直接在一个高层的特征层上预测小目标检测效果就没有那么好。

Faster RCNN检测速度慢的原因：

因为在预测过程中分成两步走，首先在RPN部分进行了一次预测，在Fast RCNN部分又进行了一次预测（Two-Stage网络的通病）

SSD网络模型框架

1.输入图像必须是300×300（缩放）的RGB图像

2.Conv5_3 layer

这样得到了6个预测特征层，分别去预测不同大小的目标。（小-->大）

Default Box 的 scale尺度以及 aspect比例设定

 

Sk就是scale的第一个元素，Sk+1是第二个元素

 

 总共生成8732个default box

预测器的实现

回归参数预测中：

分别表示x，y，w，h的偏移量

损失的计算

 

 

 res50_ssd.png