标签：box map 网络 prior 算法 原理 SSD 网络结构

SSD算法介绍

SSD属于one-stage检测方法，主要通过了直接回归目标类别和位置的方式。在进行预测时也正是由于通过不同尺度的特征层上进行预测，所以在图像低分辨率时也能很好的对目标进行检测，保证其精度。在训练的过程中采用了端到端的方式进行训练。

SSD网络结构

 基础网络使用了VGG16的网络结构，然后通过对基础网络的改进，并增加了几个不同大小的卷积层来进行不同尺度特征图的提取（改进：去掉了VGG16网络中的两个FC层，并增加了4个卷积层）。（图中的6条线就代表了6个不同大小的特征图，这6个不同的特征图讲用于后期的预测网络中进行分类预测）。在提取不同特征图的方法上主要通过下采样的方式进行尺寸的变化。

基础网络中除了可以使用VGG16的网络结构外，还可以通过ResNet（更优秀）、MobileNets（更加的轻量级，可以压缩训练中的时间和计算量）等网络进行代替。

因此，SSD的网络结构可以简化为：image→CNN→预测网络→NMS。

上述的是CNN网络中所做的变化，而在后面的预测网络中还包含了prior box层的提取过程（这里所说的prior box层相当于R-CNN中所说的anchor box）。提取过程为以feature map的每个cell为中心，通过等比的方法找到它在原图像中的位置，并以这个点为中心来提取不同尺度的bounding box。每一个prior box都会分别预测相应的类别概率和坐标值。每个feature map中的点都会对应不同的prior box。

假设共有C个类别，则每个prior box就会有C+4个参数，如果当前的Feature map的尺寸为N*M，则就会存在N*M个cell，每个cell可以提取K个prior box，因此当前的Feature map的输出就是（C+4）*K*N*M。（具体的计算公式可以参考文章https://www.cnblogs.com/sddai/p/10206929.html）

6种default box就是5+1，5种不同的长宽比和增加的一种scale

标签：box,map,网络,prior,算法,原理,SSD,网络结构
来源： https://www.cnblogs.com/student-xin/p/12357626.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。