目标检测:SSD和DSSD算法的对比分析

1:SSD

SSD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,再把二者融合在一起,得到的新的红色层用来做预测。如此反复,仍然形成多尺度检测框架。在图中越往后的红色层分辨率越高,而且包含的上下文信息越丰富,综合在一起,使得检测精度得以提升;其二就是提出了自己的预测模块结果表明,增加残差预测模块后,高分辨率图片的检测精度比原始SSD提升明显。

这里写图片描述

反卷积模块:

其一,在每个卷积层后添加批归一化层;其二,使用基于学习的反卷积层而不是简单地双线性上采样;其三,作者测试了不同的结合方式,元素求和(element-wise sum)与元素点积(element-wise product)方式,实验证明点积计算能得到更好的精度。

这里写图片描述

你可能感兴趣的:(目标检测)