经典论文4-SSD

[MiaoRain]

SSD系列 https://zhuanlan.zhihu.com/p/35642094 yolo-v3和SSD的一些对比 https://blog.csdn.net/BlowfishKing/article/details/80485006 目标检测|SSD原理与实现 https://zhuanlan.zhihu.com/p/33544892 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（参考RefineDet）：（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，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。不同算法的性能如图1所示，可以看到两类方法在准确度和速度上的差异。

SSD主要有以下几个主要特点 特征提取主干网络：VGG16，去除全连接层fc8，fc6 和 fc7层转换为卷积层，pool5不进行分辨率减小，在fc6上使用dilated convolution弥补损失的感受野；并且增加了一些分辨率递减的卷积层； SSD摈弃了proposal的生成阶段，使用anchor机制，这里的anchor就是位置和大小固定的box，可以理解成事先设置好的固定的proposal SSD使用不同深度的卷积层预测不同大小的目标，对于小目标使用分辨率较大的较低层，即在低层特征图上设置较小的anchor，高层的特征图上设置较大anchor 预测模块：使用3x3的卷积对每个anchor的类别和位置直接进行回归 SSD使用的data augmentation对效果影响很大

[MiaoRain]

DSSD : Deconvolutional Single Shot Detector 1、Motivation 模仿FPN进行特征融合的思路，使用反卷积对高层特征上采样后与浅层特征结合，增加浅层的语义信息来提高小目标检测的准确性。

[MiaoRain]

centernet