https://blog.csdn.net/WZZ18191171661/article/details/79444217

This results in a significant improvement in speed for high-accuracy detection（59 FPS with mAP 74.3% on VOC2007 test, vs Faster-rcnn 7 FPS with mAP 73.2% or YOLO 45 FPS with mAP 63.4%）

圖1 SSD和其它算法的性能比較

一脆诉、SSD網(wǎng)絡(luò)總體架構(gòu)

圖2 SSD網(wǎng)絡(luò)架構(gòu)（精簡(jiǎn)版）

圖3 SSD網(wǎng)絡(luò)架構(gòu)（細(xì)節(jié)版）

SSD算法步驟：

1. 輸入一幅圖片（200x200），將其輸入到預(yù)訓(xùn)練好的分類(lèi)網(wǎng)絡(luò)中來(lái)獲得不同大小的特征映射即纲，修改了傳統(tǒng)的VGG16網(wǎng)絡(luò)磕蛇；

將VGG16的FC6和FC7層轉(zhuǎn)化為卷積層频敛，如圖1上的Conv6和Conv7霸褒；

去掉所有的Dropout層和FC8層；

添加了Atrous算法（hole算法）绽媒，參考該鏈接蚕冬；

將Pool5從2x2-S2變換到3x3-S1；

2. 抽取Conv4_3是辕、Conv7、Conv8_2猎提、Conv9_2获三、Conv10_2旁蔼、Conv11_2層的feature map，然后分別在這些feature map層上面的每一個(gè)點(diǎn)構(gòu)造6個(gè)不同尺度大小的BB疙教，然后分別進(jìn)行檢測(cè)和分類(lèi)棺聊，生成多個(gè)BB，如圖1下面的圖所示贞谓；

3. 將不同feature map獲得的BB結(jié)合起來(lái)限佩，經(jīng)過(guò)NMS（非極大值抑制）方法來(lái)抑制掉一部分重疊或者不正確的BB，生成最終的BB集合（即檢測(cè)結(jié)果）裸弦；

SSD論文貢獻(xiàn)：

1. 引入了一種單階段的檢測(cè)器祟同，比以前的算法YOLO更準(zhǔn)更快，并沒(méi)有使用RPN和Pooling操作理疙；

2. 使用一個(gè)小的卷積濾波器應(yīng)用在不同的feature map層從而預(yù)測(cè)BB的類(lèi)別的BB偏差晕城；

3. 可以在更小的輸入圖片中得到更好的檢測(cè)效果（相比Faster-rcnn）；

4. 在多個(gè)數(shù)據(jù)集（PASCAL窖贤、VOC砖顷、COCO、ILSVRC）上面的測(cè)試結(jié)果表明赃梧，它可以獲得更高的mAp值滤蝠；

二、 SSD算法細(xì)節(jié)

1. 多尺度特征映射

圖4 高斯金字塔

做CV的你應(yīng)該對(duì)上圖很熟悉吧授嘀，對(duì)物咳，沒(méi)錯(cuò)，這就是SIFT算法中的高斯金字塔粤攒，對(duì)任意的一幅圖片做一個(gè)高斯金字塔所森，你可以獲得不同分辨率的圖片，模擬了人眼看東西時(shí)近大遠(yuǎn)小的過(guò)程夯接。這是針對(duì)整幅圖像而言焕济，那么，對(duì)于patch而言盔几，同樣也可以做這個(gè)操作晴弃。我們不僅可以在圖像域做，當(dāng)然我們也可以在特征域做逊拍。

傳統(tǒng)算法與SSD算法的思路比較：

圖5 傳統(tǒng)做法和SSD做法的比較

如上圖所示上鞠，我們可以看到左邊的方法針對(duì)輸入的圖片獲取不同尺度的特征映射，但是在預(yù)測(cè)階段僅僅使用了最后一層的特征映射芯丧；而SSD不僅獲得不同尺度的特征映射芍阎，同時(shí)在不同的特征映射上面進(jìn)行預(yù)測(cè)，它在增加運(yùn)算量的同時(shí)可能會(huì)提高檢測(cè)的精度缨恒，因?yàn)樗哂懈嗟目赡苄浴?/p>

Faster-rcnn與SSD比較：

圖6?Faster-rcnn與SSD比較

如圖所示谴咸，對(duì)于BB的生成轮听，F(xiàn)aster-rcnn和SSD有不同的策略，但是都是為了同一個(gè)目的岭佳，產(chǎn)生不同尺度血巍，不同形狀的BB，用來(lái)檢測(cè)物體珊随。對(duì)于Faster-rcnn而言述寡，其在特定層的Feature map上面的每一點(diǎn)生成9個(gè)預(yù)定義好的BB，然后進(jìn)行回歸和分類(lèi)操作進(jìn)行初步檢測(cè)叶洞，然后進(jìn)行ROI Pooling和檢測(cè)獲得相應(yīng)的BB鲫凶；而SSD則在不同的特征層的feature map上的每個(gè)點(diǎn)同時(shí)獲取6個(gè)不同的BB，然后將這些BB結(jié)合起來(lái)京办，最后經(jīng)過(guò)NMS處理獲得最后的BB掀序。

原因剖析：

圖7 不同卷積層的feature map

如上圖所示，輸入一幅汽車(chē)的圖片惭婿，我們將其輸入到一個(gè)卷積神經(jīng)網(wǎng)絡(luò)中不恭，在這期間，經(jīng)歷了多個(gè)卷積層和池化層财饥，我們可以看到在不同的卷積層會(huì)輸出不同大小的feature map（這是由于pooling層的存在换吧，它會(huì)將圖片的尺寸變小）钥星，而且不同的feature map中含有不同的特征沾瓦，而不同的特征可能對(duì)我們的檢測(cè)有不同的作用∏矗總的來(lái)說(shuō)贯莺，淺層卷積層對(duì)邊緣更加感興趣，可以獲得一些細(xì)節(jié)信息宁改，而深層網(wǎng)絡(luò)對(duì)由淺層特征構(gòu)成的復(fù)雜特征更感興趣缕探，可以獲得一些語(yǔ)義信息，對(duì)于檢測(cè)任務(wù)而言还蹲，一幅圖像中的目標(biāo)有復(fù)雜的有簡(jiǎn)單的爹耗，對(duì)于簡(jiǎn)單的patch我們利用淺層網(wǎng)絡(luò)的特征就可以將其檢測(cè)出來(lái)，對(duì)于復(fù)雜的patch我們利用深層網(wǎng)絡(luò)的特征就可以將其檢測(cè)出來(lái)谜喊，因此潭兽，如果我們同時(shí)在不同的feature map上面進(jìn)行目標(biāo)檢測(cè)，理論上面應(yīng)該會(huì)獲得更好的檢測(cè)效果斗遏。

SSD多尺度特征映射細(xì)節(jié)：

SSD算法中使用到了conv4_3,conv_7山卦，conv8_2,conv7_2,conv8_2,conv9_2,conv10_2,conv11_2這些大小不同的feature maps，其目的是為了能夠準(zhǔn)確的檢測(cè)到不同尺度的物體诵次，因?yàn)樵诘蛯拥膄eature map,感受野比較小怒坯，高層的感受野比較大炫狱，在不同的feature map進(jìn)行卷積藻懒，可以達(dá)到多尺度的目的剔猿。

2.?Defalut box

圖8 default bounding box

如上圖所示，在特征圖的每個(gè)位置預(yù)測(cè)K個(gè)BB嬉荆，對(duì)于每一個(gè)BB归敬，預(yù)測(cè)C個(gè)類(lèi)別得分，以及相對(duì)于Default box的4個(gè)偏移量值鄙早，這樣總共需要（C+4）* K個(gè)預(yù)測(cè)器汪茧，則在m*n的特征圖上面將會(huì)產(chǎn)生（C+4）* K * m * n個(gè)預(yù)測(cè)值。

Defalut box分析：

圖9?Defalut box分析

SSD中的Defalut box和Faster-rcnn中的anchor機(jī)制很相似限番。就是預(yù)設(shè)一些目標(biāo)預(yù)選框舱污，后續(xù)通過(guò)softmax分類(lèi)+bounding box regression獲得真實(shí)目標(biāo)的位置。對(duì)于不同尺度的feature map 上使用不同的Default boxes弥虐。如上圖所示扩灯，我們選取的feature map包括38x38x512、19x19x1024霜瘪、10x10x512珠插、5x5x256、3x3x256颖对、1x1x256捻撑，Conv4_3之后的feature map默認(rèn)的box是4個(gè)，我們?cè)?8x38的這個(gè)平面上的每一點(diǎn)上面獲得4個(gè)box缤底，那么我們總共可以獲得38x38x4=5776個(gè)顾患；同理，我們依次將FC7个唧、Conv8_2江解、Conv9_2、Conv10_2和Conv11_2的box數(shù)量設(shè)置為6坑鱼、6膘流、6、4鲁沥、4呼股，那么我們可以獲得的box分別為2166、600画恰、150彭谁、36、4允扇，即我們總共可以獲得8732個(gè)box缠局，然后我們將這些box送入NMS模塊中则奥，獲得最終的檢測(cè)結(jié)果。

以上的操作都是在特征圖上面的操作狭园，即我們?cè)诓煌叨鹊奶卣鲌D上面產(chǎn)生很多的BB读处，如果將映射到原始圖像中，我們會(huì)獲得一個(gè)密密麻麻的BB集合唱矛，如下圖所示：

圖10 原始圖像中生成的BB

Defalut box生成規(guī)則

以feature map上每個(gè)點(diǎn)的中點(diǎn)為中心（offset=0.5）罚舱，生成一系列同心的Defalut box（然后中心點(diǎn)的坐標(biāo)會(huì)乘以step，相當(dāng)于從feature map位置映射回原圖位置）

使用m(SSD300中m=6)個(gè)不同大小的feature map 來(lái)做預(yù)測(cè)绎谦，最底層的 feature map 的 scale 值為 Smin=0.2管闷，最高層的為Smax=0.95，其他層通過(guò)下面的公式計(jì)算得到：

使用不同的ratio值窃肠，[1, 2, 3, 1/2, 1/3]包个，通過(guò)下面的公式計(jì)算 default box 的寬度w和高度h

而對(duì)于ratio=0的情況，指定的scale如下所示冤留，即總共有 6 中不同的 default box碧囊。

圖11 default box的計(jì)算

3. LOSS計(jì)算

與常見(jiàn)的 Object Detection模型的目標(biāo)函數(shù)相同，SSD算法的目標(biāo)函數(shù)分為兩部分：計(jì)算相應(yīng)的default box與目標(biāo)類(lèi)別的confidence loss以及相應(yīng)的位置回歸搀菩。

其中N是match到Ground Truth的default box數(shù)量呕臂；而alpha參數(shù)用于調(diào)整confidence loss和location loss之間的比例，默認(rèn)alpha=1肪跋。

位置回歸則是采用 Smooth L1 loss歧蒋，目標(biāo)函數(shù)為:

confidence loss是典型的softmax loss：

三、SSD提高精度的方法

1. 數(shù)據(jù)增強(qiáng)

圖12 數(shù)據(jù)增強(qiáng)效果

如上圖所示州既，不同于Faster-rcnn谜洽，SSD算法使用了多種數(shù)據(jù)增強(qiáng)的方法，包括水平翻轉(zhuǎn)吴叶、裁剪阐虚、放大和縮小等。論文明確指出蚌卤，數(shù)據(jù)增強(qiáng)可以明顯的提高算法的性能实束。主要的目的是為了使得該算法對(duì)輸入的不同大小和不同形狀的目標(biāo)具有更好的魯棒性。直觀的理解是通過(guò)這個(gè)數(shù)據(jù)增強(qiáng)操作可以增加訓(xùn)練樣本的個(gè)數(shù)逊彭，同時(shí)構(gòu)造出更多的不同形狀和大小的目標(biāo)咸灿，將其輸入到網(wǎng)絡(luò)中，可以使得網(wǎng)絡(luò)學(xué)習(xí)到更加魯棒的特征侮叮。

2. Hard Negative Mining技術(shù)

一般情況下negative default boxes數(shù)量是遠(yuǎn)大于positive default boxes數(shù)量避矢，如果隨機(jī)選取樣本訓(xùn)練會(huì)導(dǎo)致網(wǎng)絡(luò)過(guò)于重視負(fù)樣本（因?yàn)槌槿〉截?fù)樣本的概率值更大一些），這會(huì)使得loss不穩(wěn)定。因此需要平衡正負(fù)樣本的個(gè)數(shù)审胸，我們常用的方法就是Hard Ngative Mining亥宿，即依據(jù)confidience score對(duì)default box進(jìn)行排序，挑選其中confidience高的box進(jìn)行訓(xùn)練砂沛，將正負(fù)樣本的比例控制在positive：negative=1：3烫扼，這樣會(huì)取得更好的效果。如果我們不加控制的話尺上，很可能會(huì)出現(xiàn)Sample到的所有樣本都是負(fù)樣本（即讓網(wǎng)絡(luò)從這些負(fù)樣本中找正確目標(biāo)材蛛，這顯然是不可以的），這樣就會(huì)使得網(wǎng)絡(luò)的性能變差怎抛。

3. 匹配策略（即如何重多個(gè)default box中找到和ground truth最接近的box）

首先，尋找與每一個(gè)ground truth有最大的IoU的default box芽淡，這樣就能保證ground truth至少有default box匹配马绝；

SSD之后又將剩余還沒(méi)有配對(duì)的default box與任意一個(gè)ground truth嘗試配對(duì)，只要兩者之間的IoU大于閾值（SSD 300 閾值為0.5）挣菲，就認(rèn)為match富稻；

配對(duì)到ground truth的default box就是positive，沒(méi)有配對(duì)的default box就是negative白胀。

總之椭赋，一個(gè)ground truth可能對(duì)應(yīng)多個(gè)positive default box，而不再像MultiBox那樣只取一個(gè)IoU最大的default box或杠。其他的作為負(fù)樣本（每個(gè)default box要么是正樣本box要么是負(fù)樣本box）哪怔。

4. Atrous Algothrim（獲得更加密集的得分映射）

圖13?Atrous Algothrim理解1

作用：既想利用已經(jīng)訓(xùn)練好的模型進(jìn)行fine-tuning，又想改變網(wǎng)絡(luò)結(jié)構(gòu)得到更加dense的score map向抢。

這個(gè)解決辦法就是采用Hole算法认境。如下圖(a) (b)所示，在以往的卷積或者pooling中挟鸠，一個(gè)filter中相鄰的權(quán)重作用在feature map上的位置都是物理上連續(xù)的。如上圖(c)所示，為了保證感受野不發(fā)生變化务冕，某一層的stride由2變?yōu)?以后拇囊，后面的層需要采用hole算法，具體來(lái)講就是將連續(xù)的連接關(guān)系是根據(jù)hole size大小變成skip連接的（圖(c)為了顯示方便直接畫(huà)在本層上了）覆享。不要被(c)中的padding為2嚇著了佳遂，其實(shí)2個(gè)padding不會(huì)同時(shí)和一個(gè)filter相連。?pool4的stride由2變?yōu)?淹真，則緊接著的conv5_1, conv5_2和conv5_3中hole size為2讶迁。接著pool5由2變?yōu)?, 則后面的fc6中hole size為4。?

圖14?Atrous Algothrim理解2

如上圖所示，Atrous Algothrim可以在提高feature map大小的同時(shí)提高接收?qǐng)龅拇笮∥∨矗纯梢垣@得更加密集的score map啸驯。

5. NMS（非極大值抑制）

在SSD算法中，NMS至關(guān)重要祟峦，因?yàn)槎鄠€(gè)feature map 最后會(huì)產(chǎn)生大量的BB罚斗，然而在這些BB中存在著大量的錯(cuò)誤的、重疊的宅楞、不準(zhǔn)確的BB针姿，這不僅造成了巨大的計(jì)算量，如果處理不好會(huì)影響算法的性能厌衙。僅僅依賴(lài)于IOU（即預(yù)測(cè)的BB和GT的BB之間的重合率）是不現(xiàn)實(shí)的距淫，IOU值設(shè)置的太大，可能就會(huì)丟失一部分檢測(cè)的目標(biāo)婶希，即會(huì)出現(xiàn)大量的漏檢情況榕暇；IOU值設(shè)置的太小，則會(huì)出現(xiàn)大量的重疊檢測(cè)喻杈，會(huì)大大影響檢測(cè)器的性能彤枢，因此IOU的選取也是一個(gè)經(jīng)驗(yàn)活，常用的是0.65筒饰，建議使用論文中作者使用的IOU值缴啡，因?yàn)檫@些值一般都是最優(yōu)值。即在IOU處理掉大部分的BB之后瓷们，仍然會(huì)存在大量的錯(cuò)誤的业栅、重疊的、不準(zhǔn)確的BB换棚，這就需要NMS進(jìn)行迭代優(yōu)化式镐。NMS的迭代過(guò)程可以看我以前的博客。鏈接

四固蚤、SSD性能評(píng)估

1. 模塊性能評(píng)估

表1 模塊性能評(píng)估

觀察上圖可以得到如下的結(jié)論：

數(shù)據(jù)增強(qiáng)方法在SSD算法中起到了關(guān)鍵性的作用娘汞，使得mAP從65.5變化到71.6，主要的原因可能是數(shù)據(jù)增強(qiáng)增加了樣本的個(gè)數(shù)夕玩，使得模型可以獲得更重更樣的樣本你弦，即提高了樣本的多樣性，使得其具有更好的魯棒性燎孟，從而找到更接近GT的BB禽作。

[1/2，2]和[1/3, 3]box可以在一定程度上提升算法的性能揩页，主要的原因可能是這兩種box可以在一定程度上增加較大和較小的BB旷偿，可以更更加準(zhǔn)確的檢測(cè)到較大和較小的目標(biāo)，而且VOC數(shù)據(jù)集上面的目標(biāo)一般都比較大。當(dāng)然萍程，更多的比例可以進(jìn)一步提升算法的性能幢妄。

atrous算法可以輕微提升算法性能，但是其主要的作用是用來(lái)提速茫负，論文中表明它可以提速20%蕉鸳。主要的原因可能是雖然該算法可以獲得更大的feature map和接收?qǐng)觯怯捎赟SD本身利用了多個(gè)feature map來(lái)獲取BB忍法，BB的多樣性已經(jīng)足夠潮尝，由于feature map擴(kuò)大而多得到的BB可能是一些重復(fù)的，并沒(méi)有起到提升檢測(cè)性能的作用饿序。

2. SSD加速的原因

表2 SSD的BB個(gè)數(shù)

如上圖所示勉失，當(dāng)Faster-rcnn的輸入分辨率為1000x600時(shí)，產(chǎn)生的BB是6000個(gè)嗤堰；當(dāng)SSD300的輸入分辨率為300x300時(shí)戴质，產(chǎn)生的BB是8372個(gè)；當(dāng)SSD512的輸入分辨率為512x512時(shí)踢匣，產(chǎn)生的BB是24564個(gè)，大家像一個(gè)情況戈抄，當(dāng)SSD的分辨率也是1000x600時(shí)离唬，會(huì)產(chǎn)生多少個(gè)BB呢？這個(gè)數(shù)字可能會(huì)很大划鸽！但是它卻說(shuō)自己比Faster-rcnn和YOLO等算法快很多输莺，我們來(lái)分析分析原因。

原因1：首先SSD是一個(gè)單階段網(wǎng)絡(luò)裸诽，只需要一個(gè)階段就可以輸出結(jié)果嫂用；而Faster-rcnn是一個(gè)雙階段網(wǎng)絡(luò)，盡管Faster-rcnn的BB少很多丈冬，但是其需要大量的前向和反向推理（訓(xùn)練階段）嘱函，而且需要交替的訓(xùn)練兩個(gè)網(wǎng)絡(luò)；

原因2：Faster-rcnn中不僅需要訓(xùn)練RPN埂蕊，而且需要訓(xùn)練Fast-rcnn往弓，而SSD其實(shí)相當(dāng)于一個(gè)優(yōu)化了的RPN網(wǎng)絡(luò)，不需要進(jìn)行后面的檢測(cè)蓄氧，僅僅前向推理就會(huì)花費(fèi)很多時(shí)間函似；

原因3：YOLO網(wǎng)絡(luò)雖然比SSD網(wǎng)絡(luò)看起來(lái)簡(jiǎn)單，但是YOLO網(wǎng)絡(luò)中含有大量的全連接層喉童，和FC層相比撇寞，CONV層具有更少的參數(shù)；同時(shí)YOLO獲得候選BB的操作比較費(fèi)時(shí)；

原因4：SSD算法中蔑担，調(diào)整了VGG網(wǎng)絡(luò)的架構(gòu)牌废，將其中的FC層替換為CONV層，這一點(diǎn)會(huì)大大的提升速度钟沛，因?yàn)閂GG中的FC層都需要大量的運(yùn)算畔规，有大量的參數(shù)，需要進(jìn)行前向推理恨统；

原因5：使用了atrous算法叁扫，具體的提速原理還不清楚，不過(guò)論文中明確提出該算法能夠提速20%畜埋。

原因6：SSD設(shè)置了輸入圖片的大小莫绣，它會(huì)將不同大小的圖片裁剪為300x300，或者512x512悠鞍，和Faster-rcnn相比对室，在輸入上就會(huì)少很多的計(jì)算，不要說(shuō)后面的啦咖祭，不快就怪啦Ｑ谝恕！么翰！

3. SSD準(zhǔn)確率評(píng)估

表3 VOC2007評(píng)估結(jié)果

表4 VOC2012評(píng)估結(jié)果

表5 COCO評(píng)估結(jié)果

分析：如上表所示牺汤，我們可以觀察到在不同數(shù)據(jù)集上面（VOC2007、VOC2012浩嫌、COCO）檐迟，SSD512都獲得了最佳的性能，在這里進(jìn)行了加粗码耐∽烦伲可以看出，F(xiàn)aster-rcnn和SSD相比骚腥，在IOU上面最少相差3個(gè)點(diǎn)敦间。

當(dāng)然這只是作者的結(jié)果，具體的結(jié)果你可以去測(cè)試桦沉。好了每瞒，我不喜歡在博客里寫(xiě)這些東西，詳細(xì)的分析經(jīng)仔細(xì)閱讀原文纯露。

4. SSD算法的優(yōu)缺點(diǎn)

優(yōu)點(diǎn)：運(yùn)行速度超過(guò)YOLO剿骨，精度超過(guò)Faster-rcnn（一定條件下，對(duì)于稀疏場(chǎng)景的大目標(biāo)而言）埠褪。

缺點(diǎn)：

需要人工設(shè)置prior box的min_size浓利，max_size和aspect_ratio值挤庇。網(wǎng)絡(luò)中default box的基礎(chǔ)大小和形狀不能直接通過(guò)學(xué)習(xí)獲得，而是需要手工設(shè)置贷掖。而網(wǎng)絡(luò)中每一層feature使用的default box大小和形狀恰好都不一樣嫡秕，導(dǎo)致調(diào)試過(guò)程非常依賴(lài)經(jīng)驗(yàn)。(相比之下苹威，YOLO2使用聚類(lèi)找出大部分的anchor box形狀昆咽，這個(gè)思想能直接套在SSD上)

雖然采用了pyramdial feature hierarchy的思路，但是對(duì)小目標(biāo)的recall依然一般牙甫，并沒(méi)有達(dá)到碾壓Faster RCNN的級(jí)別掷酗。可能是因?yàn)镾SD使用conv4_3低級(jí)feature去檢測(cè)小目標(biāo)窟哺，而低級(jí)特征卷積層數(shù)少泻轰，存在特征提取不充分的問(wèn)題。

個(gè)人觀點(diǎn)：SSD到底好不好且轨，需要根據(jù)你的應(yīng)用和需求來(lái)講浮声，真正合適你的應(yīng)用場(chǎng)景的檢測(cè)算法需要你去做性能驗(yàn)證，比如你的場(chǎng)景是密集的包含多個(gè)小目標(biāo)的旋奢，我很建議你用Faster-rcnn泳挥，針對(duì)特定的網(wǎng)絡(luò)進(jìn)行優(yōu)化，也是可以加速的至朗；如果你的應(yīng)用對(duì)速度要求很苛刻羡洁，那么肯定首先考慮SSD，至于那些測(cè)試集上的評(píng)估結(jié)果爽丹，和真實(shí)的數(shù)據(jù)還是有很大的差距，算法的性能也需要進(jìn)一步進(jìn)行評(píng)估辛蚊。

五粤蝎、總結(jié)

? ? SSD算法是在YOLO的基礎(chǔ)上改進(jìn)的單階段方法，通過(guò)融合多個(gè)feature map上的BB袋马，在提高速度的同時(shí)提高了檢測(cè)的精度初澎，性能超過(guò)了YOLO和Faster-rcnn。下圖是其檢測(cè)結(jié)果：

圖15 SSD檢測(cè)效果

參考文獻(xiàn)：

[1]?SSD論文閱讀（Wei Liu——【ECCV2016】SSD Single Shot MultiBox Detector）,相關(guān)鏈接

[2]?物體檢測(cè)論文-SSD和FPN,相關(guān)鏈接

[3] 目標(biāo)檢測(cè)之YOLO虑凛，SSD,相關(guān)鏈接

[4]?論文閱讀：SSD: Single Shot MultiBox Detector,相關(guān)鏈接

[5] http://blog.csdn.net/u014380165/article/details/72824889,相關(guān)鏈接

---------------------

作者：技術(shù)挖掘者

來(lái)源：CSDN

原文：https://blog.csdn.net/WZZ18191171661/article/details/79444217

版權(quán)聲明：本文為博主原創(chuàng)文章碑宴，轉(zhuǎn)載請(qǐng)附上博文鏈接！