目标檢測系列:
目标檢測(object detection)系列(一) R-CNN:CNN目标檢測的開山之作
目标檢測(object detection)系列(二) SPP-Net:讓卷積計算可以共享
目标檢測(object detection)系列(三) Fast R-CNN:end-to-end的愉快訓練
目标檢測(object detection)系列(四) Faster R-CNN:有RPN的Fast R-CNN
目标檢測(object detection)系列(五) YOLO:目标檢測的另一種打開方式
目标檢測(object detection)系列(六) SSD:兼顧效率和準确性
目标檢測(object detection)系列(七) R-FCN:位置敏感的Faster R-CNN
目标檢測(object detection)系列(八) YOLOv2:更好,更快,更強
目标檢測(object detection)系列(九) YOLOv3:取百家所長成一家之言
目标檢測(object detection)系列(十) FPN:用特征金字塔引入多尺度
目标檢測(object detection)系列(十一) RetinaNet:one-stage檢測器巅峰之作
目标檢測(object detection)系列(十二) CornerNet:anchor free的開端
目标檢測(object detection)系列(十三) CenterNet:no Anchor,no NMS
目标檢測(object detection)系列(十四)FCOS:用圖像分割處理目标檢測
目标檢測擴充系列:
目标檢測(object detection)擴充系列(一) Selective Search:選擇性搜尋算法
目标檢測(object detection)擴充系列(二) OHEM:線上難例挖掘
目标檢測(object detection)擴充系列(三) Faster R-CNN,YOLO,SSD,YOLOv2,YOLOv3在損失函數上的差別
前言:兼顧效率和準确性
SDD出現之前,主流的CNN目标檢測模型分别是Faster R-CNN和YOLO,Faster R-CNN作為two-stage的代表,具有state of the art的準确性,但是速度偏慢,做不到實時。YOLO使得目标檢測任務one-stage就能完成,在效率上有了明顯改善,但是準确性上确差了很多。這就好比“人有悲歡離合,月有陰晴圓缺,此事古難全。”
但是就在這個時候,SDD出現了,一個兼顧了效率和準确性的網絡結構。因為它做到了比Faster R-CNN更準,同時又比YOLO更快的性能表現。
SSD的論文是《SSD: Single Shot MultiBox Detector》,下面我們就來看一下它具體是如何實作的。
YOLO實作
設計理念
- 從不同的卷積層中分别拉取分支進行檢測,不同的卷積層具有多種感受野和語義資訊
- 用卷積層代替全連接配接層和reshape層,用卷積核的數量控制輸出特征圖的通道數
- 借鑒Faster R-CNN,進入用先驗atchor box,并對每一個box都預測類别