摘要 SSD (Single Shot Multibox Detector)： 是目前最好的目标检测算法之一，它具有精度高、速度快的优点。然而SSD的特征金字塔检测方法难以融合不同尺度的特征。 FSSD： 本文提出特征融合SSD(Feature Fusion Single Shot multi - box Detector, FSSD)，这是一种改进的特征融合算法，采用了一种新型的、
转载
2024-08-09 17:39:22
34阅读
1、文章概述 DSSD(Deconvolutional Single Shot Detector)是SSD算法改进分支中最为著名的一个，SSD的其他改进还包括RSSD（https://arxiv.org/abs/1705.09587）、FSSD（https://arxiv.org/abs/1512.02325）等。在VOC2007数据集上，513*5
文章目录一、SSD（(Single Shot MultiBox Detector)）1.Default box2.训练过程3.数据增强4.其他变体（1）DSSD（2）DSOD（3）FSSD（4）RSSD二、YOLO（You Only Look Once）1.YOLO_V12.YOLO_V2、YOLO9000（1）better（2）faster（3）Stronger3.YOLO_V3（1）back
转载
2024-09-20 20:38:14
60阅读
RSSD算法
rainbow concatenation方式（pooling加deconvolution）融合不同层的特征，在增加不同层之间feature map关系的同时也增加了不同层的feature map个数。这种融合方式不仅解决了传统SSD算法存在的重复框问题，同时一定程度上解决了small objection的问题，FSSD算法
借鉴了FPN的思想，重构了一组pyramid
转载
2024-06-22 15:16:46
18阅读
常见的目标检测算法1、传统的目标检测方法2、two-stage方法2.1 RCNN2.2 fast RCNN2.3 faster RCNN3、one-stage方法3.1 YOLO系列（1）YOLO V1（2）YOLO V2（3）YOLO V3（4）YOLO V4（5）YOLO V53.2 SSD系列（1）SSD（2）FSSD（3）DSSD 目前，常见的目标检测（object detection
转载
2024-04-25 11:33:29
157阅读
DSSD DSOD FSSD RSSD # SSD算法缺陷 1）存在重复框的问题；2）对小目标检测不够鲁棒（因为浅层feature map的表征能力不够强）因此，针对以上问题，对传统SSD算法进行了扩展和优化；优化主要从两部分下手，一个是从主干网络，比如将传统的VGG16换成ResNet、DenseNet、MobileNet等；另一个则是从预测网络着手，寻找更好的特征表征方式来提高模型性
转载
2024-07-04 07:24:01
57阅读
Pytorch 目标检测通过fssd训练自己的数据集1、下载代码2、整理自己的数据集根据VOC的格式整理自己的数据集，xml文件放到Annotations文件夹下面。然后Main放自己的数据集划分，格式如下面的val.txt格式。更改一些数据集的代码 因为只用到一个数据集，所以不需要将两个数据集都弄上，否则检查会报错。就在train.py那里进行更改即可。根据数据集命名方式进行更改即可。3、选用V
转载
2023-08-11 15:50:38
160阅读
