目录
引言
最近在研究SSD算法，作为一名目标检测的新手，参考了许多优秀的博客，希望将他们的核心思想记录下来以便日后回忆学习，同时加深自己的理解，以下是我根据一些优秀的博客整理总结的，参考资料注明了其来源。
目标检测算法的背景
1.两种类型
（1）two-stage方法 顾名思义，算法分为2大步骤，代表算法是RCNN系列的算法，通过选择性搜索（selective search）或者CNN网络（RPN）从特征图上提取可能的存在目标的候选框，然后对这些分类框进行分类与回归，最后给出图中目标的类别及位置。优点是准确度高，缺点因为在第一个步骤提取候选框数量多，在进行分类阶段时要处理每个候选框，因此花费更多时间。
（1）one-stage方法 代表算法是Yolo和SSD系列的算法，算法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。算法只有一个大步骤，因此优点是速度快，缺点是，均匀的密集采样的一个重要缺点是训练比较困难，因为正样本与负样本（背景）极其不均衡，导致模型准确度稍低。
2.SSD和Yolo简单比较
SSD和Yolo都属于one-stage方法，它们的区别在于：
(1) 相比Yolo，SSD采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。
(2) SSD提取了不同尺度的特征图来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体。
(3) SSD采用了不同尺度和长宽比的先验框，Yolo算法缺点是难以检测小目标，而且定位不准，但是这几点重要改进使得SSD在一定程度上克服这些缺点。
SSD的算法设计思想
1.采用多尺度特征图用于检测
CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标，如下图所示，8x8的特征图可以划分更多的单元，但是其每个单元的先验框尺度比较小。
2.采用卷积进行检测
SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状为m×n×p的特征图，只需要采用3×3×p这样比较小的卷积核得到检测值。
3.设置候选框
SSD借鉴了Faster R-CNN中anchor的理念，在特征图每个anchor上设置尺度或者长宽比不同的候选框，预测的边界框（bounding boxes）是以这些候选框为基准的，在一定程度上减少训练难度。一般情况下，每个特征图都会设置多个先验框，如图5所示，可以看到每个anchor使用了4个不同的先验框，图片中猫和狗分别采用最适合它们形状的候选框来进行训练。
网络结构
SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。SSD的网络结构如下图所示。上面是SSD模型，下面是Yolo模型，可以明显看到SSD利用了多尺度的特征图做检测。模型的输入图片大小是300×300
参考资料
【1】：https://blog.csdn.net/xiaohu2022/article/details/79833786
标签：候选框,特征,检测,Yolo,学习,算法,SSD 来源： https://www.cnblogs.com/huxiaozhouzhou/p/11259580.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。