关于DSSD算法相关解析
一、基础网络结构(预训练好的ResNet101).
conv1 | conv(7x7),BN,ReLU,maxpool(3x3) |
conv2(3) |
1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(1x1),BN 相加,ReLU 2-3:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN 相加,ReLU |
conv3(4) |
1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(1x1),BN 相加,ReLU 2-4:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN 相加,ReLU |
conv4(23) |
1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(1x1),BN 相加,ReLU 2-23:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN 相加,ReLU |
conv5(3) |
(这里dilation取值与前面不同) 1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, 相加,ReLU |
二、额外添加的特征提取层
add1 |
conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加,ReLU |
add2 |
conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加,ReLU |
add3 |
conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加,ReLU |
add4 |
conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加,ReLU |
至此,该网络可以获得原始的6个尺度不一的特征图(从conv3,conv5,add1,add2,add3,add4获得)
尺寸分别为[40,20,10,5,3,1]。【但是不是本文最终获取的特征图】
三、反卷积层
采用反卷积层的好处:1.可以提高检测精度;
2.可以获得上下文的信息,提高特征图的分辨率
具体操作:两个尺度不一的特征图分别通过普通卷积和反卷积进行特征融合。
1.普通卷积:conv(3x3),BN,ReLU,conv(3x3),BN
2.反卷积:deconv(2x2),conv(3x3),BN
3.拼接:元素求积 ,BN。
四、预测模块(其实是由残差模块组成)
1.卷积:conv(1x1),conv(1x1),conv(1x1)
2.shortcut:conv(1x1)
3.拼接:元素求和
五、LOC,CLS
经过主干网络以及反卷积操作后,得到6个尺度不一的特征图,尺度分别为[40,20,10,5,3,1];将所获得的特征图经过预测模块,分为预测cls与loc两个分支,将其分别进行3x3卷积,得到预测的最终输出。
六、关于锚框生成问题,代码没怎么看明白,所以弄不清楚与原SSD的锚框设置是否相同
七、损失函数。
求解损失函数前,得先弄清楚锚框。
首先选择正样本,根据iou值以及匹配原则,筛选出正样本;对于不满足条件的均设为负样本。
但是,如果不对所得的负样本进行筛选的话,会出现正负样本比例不均衡的问题。
所以采用HNM策略,将正负样本的比例控制在1:3左右。
然后,再根据论文中所给的损失函数公式进行计算,得到loc损失,cls损失。
八、NMS
这一步是对检测结果进行进一步的精确。
代码已跑成功,精度77.08(论文77.6)
安排一张图
关于DSSD算法相关解析相关推荐
- 转盘抽奖php,使用PHP实现转盘抽奖算法案例解析
这次给大家带来使用PHP实现转盘抽奖算法案例解析,使用PHP实现转盘抽奖算法的注意事项有哪些,下面就是实战案例,一起来看一下. 流程: 1.拼装奖项数组 2.计算概率 3.返回中奖情况 代码如下: 中 ...
- 大数据与机器学习算法相关的电子书分享
大数据与机器学习算法相关的电子书分享 近日,偶然看到一个帖子,上面有一些常用的机器学习常用的电子书下载路径,遂复制到这里,分享给大家,希望可以有你需要的- @ 欢迎关注微信公众号:算法全栈之路心智探奇 ...
- 索引算法原理解析(B-tree以及磁盘存储原理)
刚开始学习的时候,百度去查,但发现好多说得太复杂不好理解,结合各个文章总结一下(建议大概看文字,不理解不要紧,然后再看图的执行步骤然后在结合文字,这样一切就清晰好多) B-tree,B是balance ...
- 工业级静默活体检测开源算法技术解析记录
工业级静默活体检测开源算法技术解析(小视科技分享) 视频链接: https://www.bilibili.com/video/BV1qZ4y1T7CH 相关背景 定义:无感鉴别镜头前人脸的真伪,人脸识 ...
- DL之DSSD:DSSD算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
DL之DSSD:DSSD算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 相关文章 DL之DSSD:DSSD算法的简介(论文介绍).架构详解.案例应用等配图集合之详细攻略 DL之DSSD ...
- YOLO系列 --- YOLOV7算法(四):YOLO V7算法网络结构解析
YOLO系列 - YOLOV7算法(四):YOLO V7算法网络结构解析 今天来讲讲YOLO V7算法网络结构吧~ 在train.py中大概95行的地方开始创建网络,如下图(YOLO V7下载的时间不 ...
- Rete算法相关链接汇总
个人心得: https://blog.csdn.net/lthirdonel/article/details/80948569 Rete算法原理相关链接: 1.rete算法基本介绍(不含例子) htt ...
- 碰撞检测GJK算法论文解析一
碰撞检测GJK算法论文解析一 碰撞检测 Objcet Representation And Distance 1.涉及的概念 2.内容详解 Preliminaries 1.涉及的概念 2.内容详解 碰 ...
- p.563算法原理解析
p.563算法原理解析 1.概览 下图展示了,人工主观语音评估mos-lqs,双端和单端客观语音评估mos-lqo这三种方法的差异. p563算法可以被想象成一个专家使用测试设备如传统的听筒侦 ...
最新文章
- Windows 服务入门指南
- eclipse引入svn插件,并将项目同步到svn
- python培训费用-python培训费需要多少钱?
- 借助联合体union的特性实现检测当前计算机环境采用的是大端模式还是小端模式
- linux mysql makefile_Linux安装库文件(环境变量和makefile)
- 五、资本资产定价模型 CAPM
- hda: status timeout: status=0xd0 { Busy }报错解决!
- python设置全局变量失败_Python全局变量与global关键字常见错误解决方案
- 国漫《大闹天宫》4K修复版上线西瓜视频、鲜时光
- 计算机代数与密码学,代数曲线与密码学
- 别再找Axure XX版,这款原型工具永久免费!
- 交互设计之层次设计配色篇(表达逻辑——前进色与后退色)
- 记录一下Mac浏览器劫持searchbaron.com的经历
- 支付清结算体系详解(17)
- sen2cor工具箱操作说明
- 机器学习:python实现LDA降维算法
- Mac安装指定版本的node
- 【约束 约束 约束】
- ps命令用户名过长显示不全
- 共享内存大数据量快速进程间通讯
热门文章
- 思科开源软交换机vpp环境搭建
- Linux命令行下载大文件,下载Onedrive文件
- 关于android分支无法下载的问题,revision froyo in manifests not found
- 大牛证券:涪陵榨菜Q2单季营收增速创近六年新低
- AVFormatContext、AV_read_frame、av_seek_frame
- 文件服务器的缩写,“SS”是“Shared Server”的缩写,意思是“共享服务器”
- OpenCV-Python学习(19)—— OpenCV 图像几何变换之图像缩放(cv.warpAffine、cv.resize)
- 华为CT6100双千M路由记录
- 辽宁计算机考研学校二本,二本院校逆袭985到底有多难?
- STM32CubeMX-5.0.0使用遇到的问题