昇思第16天

SSD目的检测

模子简介

SSD (Single Shot MultiBox Detector) 是 Wei Liu 在 ECCV 2016 上提出的一种目的检测算法。使用 Nvidia Titan X 在 VOC 2007 测试集上，SSD 对于输入尺寸 300x300 的网络，到达 74.3% mAP 和 59 FPS；对于 512x512 的网络，到达 76.9% mAP，逾越当时最强的 Faster RCNN (73.2% mAP)。
目的检测算法可以分为两种类型：

• Two-stage 方法：RCNN 系列，通过算法产生候选框，然后再对这些候选框举行分类和回归。
  
• One-stage 方法：YOLO 和 SSD，直接通过主干网络给出类别位置信息，不需要地区天生。
  

SSD 采用卷积神经网络举行特性提取，通过多尺度的特性层举行检测输出，预设不同长宽比例的 anchor，每一个输出特性层基于 anchor 预测多个检测框。
模子结构

SSD 采用 VGG16 作为基础模子，然后在其基础上新增了卷积层以得到更多的特性图用于检测。SSD 利用多尺度特性图举行检测，不同于 YOLO，SSD 是通过卷积得到最后的边界框，而 YOLO 通过全连接情势得到一维向量。
模子特点

• 多尺度检测：浅层检测小目的，深层检测大目的。
  
• anchor 策略：预设不同比例的 anchor，举行多框检测。
  
• 卷积实现检测：通过卷积层直接输出检测结果。
  

数据集和预处置惩罚

使用 VOC2012 数据集举行训练，举行数据加强和图像预处置惩罚，调解图像尺寸并尺度化。
模子训练

训练时设置 epoch 次数为 60，batch_size 为 5，图像尺寸为 300x300。使用位置丧失函数和置信度丧失函数的加权和作为丧失函数，优化器为 Momentum，初始学习率为 0.001。每训练 10 个 epoch 保存一次模子。
评估

使用自定义的 eval_net() 类对训练好的模子举行评估，盘算在不同 IoU 阈值、area 和 maxDets 设置下的 AP 和 AR。使用 COCO Metrics 类盘算 mAP。模子在测试集上的评估指标包括 mAP、IoU 等。
准确率和召回率

• TP：IoU > 阈值的检测框数量
  
• FP：IoU <= 阈值的检测框数量或多余检测框数量
  
• FN：未检测到的 GT 数量
  

AP 和 AR 的盘算公式分别为：

• AP：正样本预测精确结果与正样本预测总结果的比值。
  
• AR：正样本预测精确结果与正样本实际数量的比值。
  

训练输出指标

• mAP：各类别 AP 的平均值
  
• IoU=0.5 的 mAP：反映算法框的位置精准水平
  
• AR：检出率，反映模子的检测性能
  

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。