昇思25天学习打卡营第8天 |昇思MindSpore SSD 目标检测算法 学习与总结
一、引言SSD（Single Shot MultiBox Detector）是 Wei Liu 等人在 ECCV 2016 上提出的一种目标检测算法，具有较高的检测精度和速度。
二、算法概述
[*] 主流算法类型：
[*]Two-stage 方法：如 RCNN 系列，先产生候选框，再分类和回归。
[*]One-stage 方法：如 YOLO 和 SSD，直接通过主干网络给出类别位置信息，无需区域生成。
[*] 模子结构：
[*]以 VGG16 为底子模子，新增卷积层以获取更多特征图用于检测。
[*]利用多标准的特征图进行检测，浅层检测小目标，深层检测大目标。
[*] 模子特点：
[*]多标准检测：利用 6 种差异尺寸的特征图，使检测更充分，能检测出小目标。
[*]接纳卷积进行检测：直接接纳卷积对差异特征图提取检测效果。
[*]预设 anchor：接纳预设边界框，在其引导下微调预测框的尺寸。
三、环境准备与数据处理
[*] 环境准备：确保当地安装了 mindspore、download、pycocotools、opencv-python。
[*] 数据准备与处理：
[*]数据集为 COCO 2017，将其转换为 MindRecord 格式以淘汰磁盘和网络开销。
[*]为数据处理定义输入，包括 COCO 根目次、标注 JSON 文件、训练类别等。
[*] 数据采样：
[*]模子对每个训练图像随机采样，包括利用整个原始输入图像、采样特定区域等。
[*]定义随机采样函数，如 random_sample_crop，进行图像和框的随机裁剪。
[*] 数据集创建：
[*]利用 create_ssd_dataset 函数创建 SSD 数据集，包括数据解码、转换、增强等操纵，并进行批量处理。
四、模子构建
[*] Backbone Layer：利用 VGG16 网络的前 13 个卷积层，将全连接层转换为卷积层以提取特征。
[*] Extra Feature Layer：在 VGG16 底子上增加 4 个深度卷积层提取更高层语义信息。
[*] Anchor：接纳 PriorBox 进行区域生成，计划大量密集的 PriorBox 包管全面检测。
[*] Detection Layer：对 6 个预测特征图进行卷积操纵，得到回归偏移量和类别概率分数。
五、损失函数
目标函数包括预选框与目标类别的置信度误差（confidence loss）和位置误差（location loss），位置损失接纳 Smooth L1 Loss，置信度损失接纳多类置信度上的 softmax 损失。
六、评估指标与训练过程
[*] 评估指标：
[*]在 SSD 中，训练无需非极大值克制（NMS），检测时需用 NMS 过滤重叠预测框。
[*]评估指标包括均匀精度（AP）和均匀召回率（AR），AP 反映预测效果错误率，AR 反映漏检率。
[*] 训练过程：
[*]先验框匹配：确定训练图片中 ground truth 与先验框的匹配，接纳最大 IOU 和阈值原则，进行正负样本划分，并接纳 hard negative mining 均衡样本。
[*]损失函数：利用位置和置信度损失的加权和。
[*]数据增强：利用定义好的数据增强方式。
模子训练设置 epoch 次数为 60，batch_size 为 5，图像尺寸为 300×300，利用 Momentum 优化器，初始学习率为 0.001，利用回调函数监控训练过程，每 10 个 epoch 生存一次模子。
七、评估
自定义 eval_net 类评估训练好的模子，计算差异设置下的 AP 和 AR，利用 COCOMetrics 类计算 mAP。
八、总结
SSD 目标检测算法在精度和速度上取得了较好的均衡，通过多标准检测、卷积检测和预设 anchor 等策略提高了检测性能。但在实际应用中，仍需根据具体场景和需求进行调解和优化。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]