SSD: Single Shot MultiBox Detector 论文解读

论文笔记：SSD: Single Shot MultiBox Detector

一、基本信息 标题：SSD: Single Shot MultiBox Detector 时间：2016 引用格式：Liu, Wei, et al. “Ssd: Single shot multibox detector.” European conference on computer vision. Springer, Cham, 2016. 二、研究背景 相比Faster RCNN有明显的速度优势，相比YOLO又有明显的mAP优势（不过已经被YOLO v2 超越）。 SSD的速度比Faster R

RCNN学习笔记(10)：SSD:Single Shot MultiBox Detector

之前一直想总结下SSD，奈何时间缘故一直没有整理，在我的认知当中，SSD是对Faster RCNN RPN这一独特步骤的延伸与整合。总而言之，在思考于RPN进行2-class分类的时候，能否借鉴YOLO并简化faster rcnn在21分类同时整合faster rcnn中anchor boxes实现multi-scale的思想而设计出了SSD，这篇blog关于SSD的细节方面整理的很好，以供参考。

DeepAutofocus:使用深度学习在显微镜上进行单次自动对焦

深度AF 复制论文中所有分析和图形的代码：“” 可以在此处下载jupyter笔记本的第1部分中使用的数据： 可以在找到一个随行笔记本，其中显示了如何使用开放源代码软件收集数据和使用自动对焦技术

【手撕经典算法】【目标检测】SSD

先看论文，再写解读，再根据pytorch 手写实现

目标检测之SSD：Single Shot MultiBox Detector

Single Shot MultiBox Detector论文学习 single shot指的是SSD算法属于one-stage方法，MultiBox说明SSD是多框预测。ssd和yolo都是一步式检测器，yolov1的一个缺点就是不擅长做小目标识别，ssd正好克服了这个问题，ssd的一个优势就是准确率高，但ssd512版本fps比yolo低。 1.采用多尺度特征图用于检测 卷积神经网络一般是个金字塔结构，前宽后窄，所以在不同的阶段就可以得到一些比较大的特征图和一些比较小的特征图，思路和spp差不多。 一

论文阅读：SSD: Single Shot MultiBox Detector

这篇 ECCV 2016 的文章，在既要保证检测速度，又要保证精度的情况下，提出了 SSD: Single Shot MultiBox Detector 物体检测模型。与现在流行的检测模型一样，将检测过程整个成一个 single deep neural network。便于训练与优化，同时提高检测速度。

SSD：Single Shot MultiBox Detector论文解读（SSD详解）

待更新

One-Stage论文经典：SSD: Single Shot MultiBox Detector论文解读

Table of Contents 前言 论文基本信息 论文背景以及基本思想(Motivation & Contribution) 算法基本流程 算法细节 实验结果 小结 前言 SSD作为One-Stage系列的论文，如今已经作为基本网络被广泛应用于物体检测中，也很多网络结构是建立在其基础上的改进网络。 当前的Objection Detection架构的两个派系： Two-Stag...

SSD: Single Shot MultiBox Detector 论文解读，附代码

一改常规套路，先上图，备注一下，这个图是盗来的 文笔实在是烂透了， 想看论文解读的可以看这篇博客 我这里就来个代码实现好了，强烈建议代码和论文配合这来看， 挺难的一篇论文 1 #!/usr/bin/env python ...

Object Detection -- 论文SSD(SSD: Single Shot MultiBox Detector)解读

SSDIntroduction基于“Proposal + Classification” 的 Object Detection 的方法，R-CNN 系列取得了非常好的结果，但是在速度方面离实时引用还差的比较多。前面讲的YOLO虽然能够达到实时的效果，但是在准确度上与the-state-of-art 的结果有很大的差距。YOLO 的问题在于：每个网格只预测一个物体，容易造成漏检；对于物体的尺度相对比较

SSD 记录

这篇博客总结的挺好：SSD原理解读-从入门到精通 1. 对为什么设置 default box 进行了阐述 2. SSD 的本质 下面一篇博客，对文章的每一节进行了翻译及解读：论文阅读：SSD: Single Shot MultiBox Detector ...

目标检测-SSD

下面是SSD的学习 论文：SSD: Single Shot MultiBox Detector 代码： 一. caffe: weiliu89/caffe 论文解析： 知乎：SSD目标检测 CSDN:目标检测算法之SSD CSDN:SSD原理解读-从入门到精通 CSDN:最详细的目标检测SSD算法讲解 以后有什么在补充的，继续更新。 ...

【目标检测】6、SSD：Single Shot MultiBox Detector

摘要 本文提出了一种使用单一深度神经网络来进行目标检测的方法——SSD。 将特征图上每个位置的b-box的输出离散化成了一系列不同尺度和纵横比的默认框。 预测时，网络对每个默认的框的每个目标类别进行打分，并通过调整box来更好的适应目标的形状。 此外，本网络通过结合多种分辨率的不同尺度的特征图来适应不同大小的目标。 SSD算法比需要region proposal过程的方法更简单，因为其完全消除了候.........

深度学习之 SSD(Single Shot MultiBox Detector)

前言 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高； （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优

【SSD】《SSD：Single Shot MultiBox Detector》

ECCV 2016部分笔记学习摘抄自。

单次多框检测Single Shot MultiBox Detector（SSD）

Single Shot MultiBox Detector（SSD）

【SingleShotMultiBoxDetector(SSD,单步多框目标检测)】

项目源码：•One-Stage •均匀的密集抽样 •Priorboxes/Defaultboxes(Anchorboxes) •不同尺度抽样•不同scale尺度的特征图抽样 •对于小目标检测效果不错 •预测速度快 •训练困难(正负样本极度不均衡)下图为一些网络结构的效率对比图，一般来说，map达到75％到80％就可以了 其主干网络为做了一些改动的VGG net 征图进行预测后，大小不变还是3838，深度变成了（4classes+4），即100，这上面的每一个11100，对应的是一个锚点的预测值。在深度上来