摘要：
优点： 更过的feature map可以得到更好的效果 使用图片边界标注框比不适用图片标注框效果更好 缺点： 需要人工砂设置prior box的min_size,max_size和aspect_ratio值。网络中预选框的基础大小和形状需要手工设置。而网络中每一层feature使用的预选框的大小和形 阅读全文
摘要：
为了使模型对于各种输入对象大小和形状更加鲁棒，每个训练图像通过以下选项之一随机取样： 使用整个原始图像 采样一个区域，使采样区域和原始图片最小的交并比重叠为0.1,0.3,0.5,0.7或0.9 随机采样一个区域 每个采样区域的大小为原始图像大小的[0.1,1]，长宽比在1/2和2之间。如果真是标签 阅读全文
摘要：
值得注意的是，一般情况下 negative default boxes 数量远远大于positive default boxes 数量，这样训练会导致网络过于重视负样本，查看loos可知。从而loss不稳定。所以ssd在抽样时按照置信度误差（预测背景的概率越小，误差越大）进行降序排序，选出误差较大的 阅读全文
摘要：
SSD算法的目标函数分为两部分：计算相应的预选框与目标类别的confidence loss以及相应的位置回归。其中N是match到Ground Truth的预选框数量；而α擦书用于调整confidence loss 和location loss 之间的比例，默认α = 1. 分类： 其中i表示第i个 阅读全文
摘要：
Two stage:Faster_RCNN two stage 检测算法将检测问题划分为两个阶段，首先产生候选区域（region proposals），然后对候选区域分类（一般还需要对位置精修） 特点是：错误率低，漏识别率也比较低，但速度较慢，不太能满足实时检测场景。 One stage：SSD，Y 阅读全文