目標檢測之SSD
文章目錄
網路結構
改進點
相對於two-stage的目標檢測方法faster R-CNN
- 去掉了檢測框的提出和後面針對提出的不同的檢測框進行特徵取樣的過程,提高了速度。但是借鑑了RPN(region proposal net)的過程。
- 在faster R-CNN中的RPN中採用滑動視窗的方法來得到region proposal,在SSD中採用和YOLO類似的方法,每一個特徵圖固定的每一塊給出6個或者4個預選框(具體哪一個layer是6或者4可以參考論文)
相對於one-stage的目標檢測方法YOLO
- 使用不同層的不同尺度的特徵圖學習檢測框,解決YOLO的小物體檢測效果不好的問題,提高了mAP。
- YOLO採用FC來得到檢測框位置和檢測框位置,而SSD採用卷積來計算得到檢測框的位置以及檢測框置信度,一個卷積核對整個特徵圖卷積可以得到一個檢測框四個位置中的一個值,或者一個檢測框屬於某一個類別的置信度。例如一個特徵圖有mn塊,一共有c個類別,那麼需要的的卷積核的數量為mn*(4+c)。
不同改進點對模型的影響
SSD效能
相關推薦
目標檢測之SSD
文章目錄 網路結構 改進點 不同改進點對模型的影響 SSD效能 網路結構 改進點 相對於two-stage的目標檢測方法faster R-CNN 去掉了檢測框的提出和後面針對提出的不同的檢測框進行特徵取樣
使用keras實現目標檢測之SSD
最近參加了百度某大資料比賽,其中需要用到檢測模型。 使用keras實現ssd目標檢測,keras實現ssd原始碼:https://github.com/rykov8/ssd_keras 等忙完了決賽,
目標檢測之SSD:RefineNet演算法理解
RefineDet是CVPR2018的論文,個人覺得是一篇很不錯的文章,大致上是SSD演算法和RPN網路、FPN演算法的結合,可以在保持SSD高效的前提下提高檢測效果(實驗效果提升挺明顯)。第一眼看到這篇文章就讓我想起了RON,畢竟都是想做one stage和two stag
目標檢測之SSD(single shot multibox detector)的pytorch程式碼閱讀總結
confidence:文章中說 根據highest confidence loss,選擇3倍於正樣本數目的負樣本,正樣本根據重合度已經選擇出來了,選擇負樣本先計算這個confidence loss,首先求取預測confidence的log_sum_exp值,再減去其中對應groundtruth的confide
目標檢測之SSD:資料增強引數詳解
資料增強效果圖假設原圖輸入是一張640*480的圖片,這裡由於版面問題我放縮了圖片尺寸並且沒做mean subtract,由於最後會有resize引數導致輸出的圖片都會resize到300x300,但是主要看的是增強的效果,SSD中的資料增強的順序是:DistortImage
目標檢測之YOLO,SSD
在深度學習出現之前,傳統的目標檢測方法大概分為區域選擇(滑窗)、特徵提取(SIFT、HOG等)、分類器(SVM、Adaboost等)三個部分,其主要問題有兩方面:一方面滑窗選擇策略沒有針對性、時間複雜度高,視窗冗餘;另一方面手工設計的特徵魯棒性較差。自深度學習出現之後,目標檢測取得了巨大的突破,最矚目的兩個
目標檢測之-Caffe-SSD系列(一)資料的處理-PASCAL VOC
目標檢測任務之資料的處理 常見的目標檢測資料集之PASCAL VOC 1 . PASCAL VOC資料集介紹 資料集名稱 訓練集(本地訓) 測試集(本地測) PAS
『MXNet』第八彈_物體檢測之SSD
out can RR AS upd 全部 ask 類別 clu 預、API介紹 mxnet.metric from mxnet import metric cls_metric = metric.Accuracy() box_metric = metric.
目標檢測之RCNN、Fast RCNN 、Faster RCNN技術演進與對比
三者的處理步驟 先上三者的處理步驟: RCNN: 1、提取1000-2000個(超引數)的候選框(採用selective search演算法); 2、將每個候選框中的影象調整到相同的size; 3、將調整size後的影象(數量與候選框個數相同)輸入CNN提取featu
目標檢測之模型篇(4)【EAST】
文章目錄 1. 前言 2. 實現 2.1 Pipeline 2.2 網路設計 2.3 標籤生成 2.4 損失函式 2.5 訓練 2.6 位置感知的NMS 3. 結果 4. 總結 5.
目標檢測之模型篇(3)【DMPNet】
文章目錄 1. 前言 2. 實現 2.1 Roughly recall text with quadrilateral sliding window 2.2 Finely localize text with quadrangle
目標檢測之模型篇(2)【RRPN】
文章目錄 1. 前言 2. 實現 2.1 關鍵idea 2.2 模型結構 2.3 具體細節 1.Rotated Bounding Box Representation-旋轉矩形框的表示 2.Rotati
[深度學習]Object detection物體檢測之SSD(8)
目錄 綜述 SSD與其他演算法的區別 SSD的主要貢獻 1.Multi-Scale Feature Maps 2.Splitting the Region Space 3.Data Augmentation SSD300網路結構 SSD網路的缺點 論文全稱
目標檢測之R-CNN系列
R-CNN 整體結構 Region proposal -> warped region -> CNN -> FC -> linear SVM、regression 訓練步驟 對CNN進行Supervised pre-tr
深度學習目標檢測之YOLO系列
近年來目標檢測流行的演算法主要分為兩類:1、R-CNN系列的two-stage演算法(R-CNN、Fast R-CNN、Faster R-CNN),需要先使用啟發式方法selective search或者CNN網路RPN產生候選區域,然後在候選區域上進行分類和迴歸,準確度高但
DL之Yolo系列:深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略
DL之Yolo系列:深度學習實現目標檢測之Yolo系列的論文簡介、概念理解、思路配圖等詳細攻略 Yolo系列的論文簡介 1、Yolo V1簡介 2、Yolo V2簡介 3、Yolo V3簡介 &
目標檢測之YOLO系列
文章目錄 YOLO 整體結構 YOLO的核心思想 實現方法 損失函式 訓練 預測 優缺點 YOLO-V2 模型結構 改進策略 訓練
目標檢測之FPN(Feature Pyramid Net)
FPN思想 FPN的思想來源是傳統影象處理中的影象金字塔(image pyramid),例如sift特徵構建中使用的不同尺度的影象金字塔。FPN思想的主要是用來提高模型對不同大小輸入影象以及目標檢測問題中不同大小物體的魯棒性。 模型結構 (a)中的影象金字塔,即
目標檢測之網路篇(2)【STN-空間變換網路】
1. STN是什麼 STN:Spatial Transformer Networks,即空間變換網路,是Google旗下 DeepMind 公司的研究成果。該論文提出空間變換網路STN,分為引數預測、座標對映、畫素採集三大部分,可以插入到現有的CNN模型中。通
目標檢測之模型篇(1)【CTPN連線文字提議網路】
1. 前言 本週開始看模型篇,本週目標:CTPN,RRPN,DMPNet,EAST,衝鴨!! 第一篇,CTPN(Connectionist Text Proposal Network),其實是基於Faster R-CNN改進的,將RPN的體系結構擴充套件到文字