DSSD解卷积单阶段检测器核心思想解析与实践

最新推荐文章于 2024-01-24 00:30:00 发布
最新推荐文章于 2024-01-24 00:30:00 发布
阅读量276 收藏
点赞数
分类专栏： 目标检测从基础到实践--系列论文讲解
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42108090/article/details/112132009
版权
DSSD是一种改进的单阶段目标检测器，通过融合高层语义和低层细节信息提升小物体检测精度。采用Top-Down结构，用反卷积替代传统上采样，结合残差单元优化预测。在训练中，分为两阶段进行，先训练反卷积层，再微调全网络。实验证明，直接训练而非冻结SSD参数效果更佳。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

引言

卷积神经网络在结构上存在固有的问题，高层网络感受野比较大，语义信息表征能力强，但是特征图分辨率低，几何细节信息表征能力弱。低层网络感受野比较小，几何细节信息表征能力强，分辨率高，但语义信息表征能力弱。

SSD采用多尺度的特征图来预测物体，使用具有较大感受野的高层特征信息预测大物体，具有较小感受野的低层特征信息预测小物体。

这样就带来一个问题：使用的低层网络的特征信息预测小物体时，由于缺乏高层语义特征，导致SSD对于小物体的检测效果较差。而解决这个问题的思路就是对高层语意信息和低层细节信息进行融合。

Top-Down融合思想的起源

FPN: Feature Pyramid Networks for Object Detection（以下简称FPN）以及，
Beyond Skip Connections: Top-Down Modulation for Object Detection（以下简称TDM），
等论文中提出了Top-Down融合的思想。

虽然Top Down的方法来丰富特征信息的思想很容易理解，但是大多数论文中所说的特征图金字塔的构造方式各不相同，只是针对于特定的网络结构来做优化。

FPN的网络结构只是针对ResNet做了优化，文章中也没有提及过更换其

了解本专栏 订阅专栏 解锁全文 超级会员免费看
目标检测YOLO实战应用案例100讲-基于YOLOv3的目标检测研究及改进（论文篇）（续）
qq_36130719的博客
04-18 279
目标检测作为计算机视觉的基础，在医疗事业、交通检测、信息安全等领域都有所应用，如自动驾驶[6-7]、人脸识别[8-9]、医学影像检测[10-11]等。1.自动驾驶自动驾驶是当前视觉研究的热点，该技术要求车辆可以通过对路况的分析及时向驾驶员提供可能发生的一些隐患，免除因驾驶员个人因素或突发情况导致的交通事故，而且随着目标检测在交通领域的不断发展创新，车辆可以实时反映当前路况信息给交通指挥者，使得交通指挥者可以及时采取相应措施缓解道路拥堵的现象，进一步提高人们的出行体验。
目标检测YOLO实战应用案例100讲-基于YOLOv3的目标检测研究及改进（论文篇）
qq_36130719的博客
05-11 1648
目标检测作为计算机视觉领域的基础算法之一，不仅停留在理论研究层次，已经被广泛应用于各种实际场景中，行人检测、面部检测、文本检测、交通标注与红绿灯检测、遥感目标检测统称为目标检测的五大应用[8]。基于传统方法的目标检测方法大致都需要经历如图2.1所示的算法步骤。随着深度学习发展趋势越发迅猛，人们对于以深度学习为基础的目标检测算法关注度逐渐加深，基于深度学习的目标检测算法主要有两条技术发展路线：基于候选框的方法和不基于候选框的方法，而基于候选框的方法则包括一阶段和二阶段检测算法。
论文阅读-《DSSD : Deconvolutional Single Shot Detector》
yj_isee的博客
06-15 8996
arxiv 23/1/2017SSD作者Wei Liu的新作Motivation通过增加context的信息来提高目标检测的准确率是一个常见的方法，在SSD当中，作者没有利用到context的信息，因此，作者在DSSD里面尝试通过加入context来改善SSD的性能Framework 上图表示SSD的基本结构，采用的是VGG作为base network，后来有作者新加的SSD layer，然后在选
目标检测论文解读10——DSSD
angmaodie3396的博客
08-21 230
背景 　　SSD算法在检测小目标时精度并不高，本文是在在SSD的基础上做出一些改进，引入卷积层，能综合上下文信息，提高模型性能。 理解 　　 　　Q1：DSSD和SSD的区别有哪些？ 　　(1)SSD是一层一层下采样，然后分别在这些feature map上进行预测；而DSSD则是在后面加入了很多的Deconvolution Module，通过逆卷积算法feature map上采...
目标检测学习笔记——SSD以及改进模型DSSD的原理解读及SSD的Tensorflow代码实现（图文并茂）
qq_24819773的博客
06-15 6901
个人学习路上的一些见解，以Blog的形式记录下来，加强自己的知识学习，同时也希望和大家共享，由于个人能力有限，难免会有错误的地方，希望各位大牛给与指证，小弟定进一步完善自己以及博客。
DSSD-train1.prototxt
05-22
DSSD-train1.prototxt,备份用的啊！
目标检测：SSD和DSSD算法的对比分析
BigCowPeking
04-22 4050
1：SSDSSD算法的提出解决了fasterRCNN中只能在一层特征map上预测目标的问题，SSD可以在不同的特征map上来预测不同的目标大小，更加具有针对性，提升了目标的检出率，做了很多的数据增强，提升也比较大；缺点也比较明显，不同的anchors设置比较的麻烦，2：DSSD论文的核心思想，也就是如何利用中间层的上下文信息。方法就是把红色层做反卷积操作，使其和上一级蓝色层尺度相同，再把二者融合在...
MATLAB算法实战应用案例精讲-【深度学习】多尺度特征融合-目标检测（论文篇五）
qq_36130719的博客
04-15 2126
检测的图像，首先设置输入网络大小，然后将滑动窗口按照一定步长对图像进行滑动，微小的卷积神经网络，其使用卷积核在卷积神经网络中对输入图像信息进行卷积处理，传统行人检测技术进行分析，然后介绍基于深度学习行人检测算法，为后续行人检测。出，能够很好的描述行人的边缘，因此广泛应用于行人检测。的静态图像，往往采用梯度直方图方法获取行人图像的局部特征信息，然后计算所有。个单元格的特征将以不同的结果出现在最后的向量中，所有的小单元特征信息将构成。目的成果，使得行人检测检测技术成为基于深度学习目标检测领域的研究热点。
目标检测YOLO实战应用案例100讲-面向固体废物分拣的目标位姿估计
最新发布
qq_36130719的博客
01-24 347
目标检测技术可以处理图像或视频，从图像或视频中准确地识别物体并确定其位 置和类别。目标检测的任务是定位和分类。定位通常生成边界框来标记物体在图像中 的位置，边界框通常由四个坐标值确定：左上角点横坐标x、左上角点纵坐标y、框的 宽度w和高度h，有的网络也会回归中心点坐标，通过这些坐标值确定检测图像中物 体位置。
MobileNet详解
wr319714471的博客
06-15 249
在v2中，并不是每个倒残差结构都有捷径分支的（当s=1且输入特征矩阵与输出特征矩阵的shape相同时，才有捷径分支，上图表示有误）的高度 * 卷积核的宽度 * 卷积核的通道个数 * 卷积核个数 * 输入特征矩阵的高度 * 输入特征矩阵的宽度（前提是步距为1）第一层卷积层：步距是2，卷积核大小是3*3，输入特征矩阵深度是3（rgb图像），卷积核个数是32。第二层：DW卷积层（卷积核深度为1），步距为1，卷积核大小3*3，卷积核个数是32。t=1的那个倒残差结构，没有使用升维的那个卷积层，因为他没有升维作用。
Fast-SCNN 多分支结构共享低级特征的语义分割网络 （一）
qianbo042311的博客
07-27 1180
1、fast-scnn 应用场景 github代码 根据对论文的研究，暂时整理了四类使用场景 1 、自动驾驶汽车快速实时识别语义分割 根据论文 fast-scnn本身就是为实时物体分类来做的，从语义级别上来共享特征。 2 、底图层次分割 3、城市房量统计 4、人流量统计 2、现代神经网络需求 以下为论文的开头截图。谈到了encoder-decoder framework 1 以上算法要有的需要实时性，像自动驾驶实时性非常高，有的不需要，但是对底图和图量多并且大是非常需要这类网络的，语义分割是整个视觉
DSSD : Deconvolutional Single Shot Detector
weixin_36670529的博客
09-15 1240
目录 一、简介 二、相关工作 三、反卷积的单阶段检测器DSSD 3.1、SSD 3.2、用VGG代替Residual-101 预测模型 反卷积SSD 反卷积模块 训练 四、实验 基本网络 PASCAL VOC 2007 在VOC2007上的消融研究 PASCAL VOC 2012 COCO 推断时间 可视化 五、结论 本文的主要贡献是将附加上下文引入到最先进的...
全卷积网络FCN详细讲解（超级详细哦）
qq_43703185的博客
03-20 1万+
原文链接：https://blog.csdn.net/qq_41760767/article/details/97521397?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task ...
DSConv：Efficient convolution operator
liguandong
03-15 2998
DSConv：Efficient convolution operator Abstract 分布移位卷积，可以容易的替换为标准神经网络体系结构并且实现较低的存储器使用和较高的计算速度。DSConv将传统的卷积内核分解为两个组件：可变量化内核（VQK）和分布式移位。通过在VQK中仅存储整数值来实现较低的存储器使用和较高的速度，同时通过应用基于内核和基于通道的分布移位来保持和原始卷积核相同的输出...
多尺度特征融合总结（金字塔结构）
热门推荐
m0_53955985的博客
06-05 6万+
列举了一些经典的模型来帮助快速了解什么是特征金字塔，以及对于多尺度图像的处理方式，
SSD目标检测算法改进DSSD（反卷积）
fangfang的专栏
01-20 2万+
论文：DSSD : Deconvolutional Single Shot Detector 论文地址：https://arxiv.org/abs/1701.06659 代码：https://github.com/chengyangfu/caffe/tree/dssd DSSD是2017年的CVPR，二作就是SSD的一作Wei Liu。另外值得
DSSD学习笔记
KeEN_Xwh的博客
11-06 1005
本专栏将从论文的角度解读一下CV方向的一些经典神经网络模型及其贡献与意义，以期加深自己的印象，后续可以随时翻看并且学习其中好的tricks。这一期介绍基于SSD改进的DSSD。 论文相关信息 论文全名为《DSSD : Deconvolutional Single Shot Detector》（链接），从名字可以猜想到，改进之处应该在于使用了反卷积来上采样，然后融合不同尺度的特征图进行预测。作者相关信息如下： 如果了解 FPN （链接）会明确感受到 SSD 有个不小的缺点：最早的模型将输入图片进行暴力缩放，
DSSD的理解
张洁的笔记
06-22 2644
DSSD算法从名字上就可以看出来，是对SSD算法的改进。 1）初衷 首先这篇文章想解决的问题是SSD在小目标上不佳的表现，原来的SSD想要用浅层特征，也就是神经网络的最初几层来检测小目标，用神经网络的后几层，也就是语义特征来检测大目标。但是即使是做了这样的处理，由于浅层特征缺少语义信息仍旧在小目标上表现的不佳。在open image很多类别上，小目标的检测率都接近0，作者想要通过类似于fpn上采样...
利用多层卷积神经网络（CNN）特征的互补优势 进行图像检索
qq_40716944的博客
11-11 4万+
利用多层卷积神经网络（CNN）特征的互补优势 进行图像检索 本文原网址为：http://www.sciencedirect.com/science/article/pii/S0925231216314734 翻译不当之处请多多指正 摘要：深度卷积神经网络已经证明了图像分类的突破精度。从CNN学到的一系列特征提取器已经用于其他计算机视觉任务。然而，CNN不同层次的特征旨在编码不同层次的信息。
深度解析YOLO系列与SSD、DSSD单阶段目标检测技术
YOLOv1的核心思想是将目标检测问题视作一个单个的回归问题，它能够直接从图像像素到边界框坐标和类别概率进行预测。YOLOv1的优点在于速度快，能够实现实时检测，但它的准确率不如一些分阶段处理的方法，尤其是对于小...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Gallant Hu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值