关键词：
参考技术A作为计算机视觉三大任务（图像分类、目标检测、图像分割）之一，目标检测任务在于从图像中定位并分类感兴趣的物体。传统视觉方案涉及霍夫变换、滑窗、特征提取、边界检测、模板匹配、哈尔特征、DPM、BoW、传统机器学习（如随机森林、AdaBoost）等技巧或方法。在卷积神经网络的加持下，目标检测任务在近些年里有了长足的发展。其应用十分广泛，比如在自动驾驶领域，目标检测用于无人车检测其他车辆、行人或者交通标志牌等物体。
目标检测的常用框架可以分为两类，一类是 two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是 one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表。
Two-stage的方式面世比较早，由于需要将兴趣区域检测和分类分开进行，虽然精度比较高，但实时性比较差，不适合自动驾驶无人车辆感知等应用场景。因而此次我们主要介绍一下SSD和YOLO系列框架。
SSD与2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 一文中提出。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确。
SSD的框架在一个基础CNN网络（作者使用VGG-16，但是也可以换成其他网络）之上，添加了一些额外的结构，从而使网络具有以下特性：
用多尺度特征图进行检测
作者在VGG-16后面添加了一些特征层，这些层的尺寸逐渐减小，允许我们在不同的尺度下进行预测。越是深层小的特征图，用来预测越大的物体。
用卷积网络进行预测
不同于YOLO的全连接层，对每个用于预测的 通道特征图，SSD的分类器全都使用了 卷积进行预测，其中 是每个单元放置的先验框的数量， 是预测的类别数。
设置先验框
对于每一个特征图上的单元格，我们都放置一系列先验框。随后对每一个特征图上的单元格对应的每一个先验框，我们预测先验框的 维偏移量和每一类的置信度。例如，对于一个 的特征图，若每一个特征图对应 个先验框，同时需要预测的类别有 类，那输出的大小为 。（具体体现在训练过程中）
其中，若用 表示先验框的中心位置和宽高， 表示预测框的中心位置和宽高，则实际预测的 维偏移量 是 分别是：
下图是SSD的一个框架，首先是一个VGG-16卷积前5层，随后级联了一系列卷积层，其中有6层分别通过了 卷积（或者最后一层的平均池化）用于预测，得到了一个 的输出，随后通过极大值抑制（NMS）获得最终的结果。
图中网络用于检测的特征图有 个，大小依次为 ， ， ， ， ， ；这些特征图每个单元所对应的预置先验框分别有 , , , , , 个，所以网络共预测了 个边界框，（进行极大值抑制前）输出的维度为 。
未完待续
参考：
chenxp2311的CSDN博客：论文阅读：SSD: Single Shot MultiBox Detector
小小将的知乎专栏：目标检测|SSD原理与实现
littleYii的CSDN博客：目标检测论文阅读：YOLOv1-YOLOv3（一）
作者的其他相关文章：
图像分割：全卷积神经网络（FCN）详解
PointNet：基于深度学习的3D点云分类和分割模型 详解
基于视觉的机器人室内定位
目标检测ssd相对于yolo与faster-rcnn做了哪些改进？效果如何
参考技术A 但是由于运行selective—search实在是太慢，希望用更快的方法。 逗直接上YOLO呗可以参考博文：物体检测-从RCNN到YOLO参考列表中地YouOnlyLo好Once逗一项，包括YOLO的论文、视频、源码、使用方式。 查看详情
ssd+caffe︱singleshotmultiboxdetector目标检测
作者的思路就是FasterR-CNN+YOLO，利用YOLO的思路和FasterR-CNN的anchorbox的思想。.0导读（本节来源于BOT大赛嘉宾问答环节）SSD这里的设计就是导致你可以一下子可以检测8张图，FasterRCNN一下子只能检测1张图片，这样的话会导致会有8张... 查看详情
目标检测ssd相对于yolo与faster-rcnn做了哪些改进？效果如何
...还是慢YOLO就是把原图划成7x7的小格子，在每个格子里对目标进行预测，相当于固定了regionproposal的位置和大小，所以没有了RPN，加快了速度，但是准确率下去了SSD用了YOLO的思想，但是选了6个比例来对原图进行划分，这样就保证... 查看详情
目标检测—one-stage检测
one-stage检测算法，其不需要regionproposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度，比较典型的算法如YOLO，SSD，Retina-Net。4、SSD（2016） SSD结... 查看详情
解读ssd目标检测方法
.../github.com/balancap/SSD-TensorflowSSD是YOLO之后又一个引人注目的目标检测结构，它沿用了YOLO中直接回归bbox和分类概率的方法，同时又参考了FasterR-CNN，大量使用anchor来提升识别准确度。通过把这两种结构相结合，SSD保持了很高的识别... 查看详情
yolo目标检测
文章大纲简介原理入门使用Demo模型大小计数参考文献简介github：https://github.com/ultralytics/yolov5文档：https://docs.ultralytics.com/YOLOanacronymfor‘Youonlylookonce’,isanobjectdetectionalgorithmthatdividesimagesintoagridsystem.E 查看详情
yolo目标检测
文章大纲简介原理入门网络模型与可视化目标检测的评测mAP代码部分解读使用Demo数据集最佳实践模型大小计数模型部署与框架选择图片或视频推理可调用的封装模型训练模型转换多路摄像头可能出现的问题参考文献简介github：ht... 查看详情
onestage目标检测
在计算机视觉中，目标检测是一个难题。在大型项目中，首先需要先进行目标检测，得到对应类别和坐标后，才进行之后的各种分析。如人脸识别，通常是首先人脸检测，得到人脸的目标框，再对此目标框进行人脸识别。如果该... 查看详情
目标检测yolo系列——yolov1
...er，Faster，StrongerYOLOv3:YOLOv3:AnIncrementalImprovement近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于RegionProposal的R-CNN系算法（R-CNN，FastR-CNN,FasterR-CNN），它们是two-stage的，需要先使用启发式方法... 查看详情
深度学习目标检测算法ssd论文简介
深度学习目标检测算法SSD论文简介 一、论文简介： ECCV-2016Paper：https://arxiv.org/pdf/1512.02325v5.pdf Slides：http://www.cs.unc.edu/~wliu/papers/ssd_eccv2016_slide.pdf二、代码训练测试： https://github.com/w 查看详情
目标检测综述
...号处理的作业，在这里分享一下，将介绍计算机视觉中的目标检测任务，论述自深度学习以来目标检测的常见方法，着重讲yolo算法，并且将yolo算法与其他的one-stage以及two-stage方法进行比较。目录1.介绍2.YOLO2.1YOLOv12.2YOLOv22.3YOLOv33.... 查看详情
目标检测进阶：使用深度学习和opencv进行目标检测(代码片段)
使用深度学习和OpenCV进行目标检测基于深度学习的对象检测时，您可能会遇到三种主要的对象检测方法：FasterR-CNNs(Renetal.,2015)YouOnlyLookOnce(YOLO)(Redmonetal.,2015)SingleShotDetectors(SSD)（Liu等人，2015年）FasterR-CNNs可能是... 查看详情
经典论文解读yolo目标检测
前言YOLO是一种目标检测方法，它的输入是整张图片，当检测到目标物体时用边界框圈起来，同时给该目标物体一个类别；边界框由中心位置、宽、高等来表示的；它的输出是n个物体的检测信息，每个物体的信息包括：中心位置(... 查看详情
深度学习和目标检测系列教程19-300：关于目标检测apiou和map简介(代码片段)
@Author：RunsenR-CNN和YOLO等对象检测模型，使用了平均精度(mAP)。mAP将真实边界框与检测到的框进行比较并返回分数。分数越高，模型的检测就越准确。PrecisionandRecall现在有两个类，Positive和Negative，这里是10个... 查看详情
深度学习和目标检测系列教程19-300：关于目标检测apiou和map简介(代码片段)
@Author：RunsenR-CNN和YOLO等对象检测模型，使用了平均精度(mAP)。mAP将真实边界框与检测到的框进行比较并返回分数。分数越高，模型的检测就越准确。PrecisionandRecall现在有两个类，Positive和Negative，这里是10个... 查看详情
浅谈yolo
...是在图像分类的基础上，还有更复杂和有意思的任务，如目标检测，物体定位，图像分割等。其中目标检测是一件比较实际的且具有挑战性的计算机视觉任务，其可以看成图像分类与定位的结合，给定一张图片，目标检测系统要... 查看详情
深度学习目标检测网络结构ssdretinanet
onestageSSD:SSD是Faster-RCNN和YOLO中做了一次的分类和检测过程放在不同的图像大小上做了多次 RETINANET:RESNET+FPN+FOCALLOSS 查看详情
目标检测进阶：使用深度学习和opencv进行目标检测
使用深度学习和OpenCV进行目标检测基于深度学习的对象检测时，您可能会遇到三种主要的对象检测方法：FasterR-CNNs(Renetal.,2015)YouOnlyLookOnce(YOLO)(Redmonetal.,2015)SingleShotDetectors(SSD)（Liu等人，2015年）FasterR-CNNs 查看详情