本文详细介绍了SSD（Single Shot MultiBox Detector）和DSSD（Deconvolutional Single Shot Detector）两种目标检测模型。SSD采用了一阶段结构，通过多尺度预测和先验框优化检测效率。DSSD则引入了ResNet和反卷积层，提高检测精度。训练策略包括匹配策略、损失函数和数据扩充，旨在优化模型性能。
一，SSD
one-stage结构，在YOLO基础上加入先验框和多尺度预测。
1，贡献
（1）多尺度预测；
（2）使用一系列3*3大小的卷积核得到相对于先验框的偏移和类别分数（YOLO用的全连接），每个m*n大小的feature map一共有(c+4)*k*m*n个输出，c是类别，k为每个box输出的框的个数；
（3）端到端训练。
2，训练
（1）匹配策略
首先给每个真实框匹配IoU最大的先验框，以保证每个真实框都被匹配；然后，向每个默认框匹配IoU大于阈值（论文中取0.5）的真实框。
（2）loss function
首先，令，表示第i个先验框和第j个真实框的匹配关系，P表示种类，1就是匹配，0就是不匹配。
总损失函数：
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
