SSD系列算法理解
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了SSD系列算法理解,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1572字,纯文字阅读大概需要3分钟。
内容图文
![SSD系列算法理解](/upload/InfoBanner/zyjiaocheng/641/c3d6bff7de2643db9a2f9d68450ab480.jpg)
SSD(Single Shot MultiBox Detector)系列算法属于one-stage算法;
SSD算法采用直接回归计算出目标类别和位置。处理对象为原始图像经过卷积之后的feature map。
与two-stage算法的区别是,不需要proposal box候选框的提取,即不需要RPN网络。
图1 one-stage系列算法框架
同时使用多尺度的feature map的预测,即将得到的feature map通过下采样(这里使用pooling来实现下采样),得到不同大小的feature map,每个feature map作为后续层(Prior Box层)的输入。如下图所示:
图2 SSD系列网络架构
Prior Box Layer(anchor机制):
假设有m*n个cell(原始图像经过卷积之后的feature map上的每个像素---以其映射到原图中的坐标为中心点坐标,选K个box,也就是anchor,一般选取3个尺寸大小和3个比例值,k=9)
如上所述,假设每个feature map有m*n个cell,每个cell产生k个bounding box,每个bounding box预测c个类别score和4个offset,则该网络有(c+4)*k*m*n个输出。
其中,对于38*38的feature map,每个cell产生4个prior box,19*19的feature map,每个cell产生6个prior box……,如下:
一共产生:38*38*4+19*19*6+10*10*6+5*5*6+3*3*4+1*1*4 = 8732个prior box。
每个cell的k个default box,经过与GT(Ground truth)做IOU,当IOU大于正样本阈值时作为正样本,如果IOU小于负样本阈值将其作为负样本,其余中间的prior box将其忽略掉。
训练时需要确保prior box的分类准确,且尽可能回归到GT Box。
注意点:
难例挖掘
正负样本比为1:3
损失函数如下:
SSD算法对小目标不够鲁棒性,主要是因为浅层feature map的表征能力不强。------>DSSD网络
DSSD网络:
1、改变了主干网络:ResNet
2、使用了反卷积网络结构
内容总结
以上是互联网集市为您收集整理的SSD系列算法理解全部内容,希望文章能够帮你解决SSD系列算法理解所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。