目录

• 从零开始实现SSD目标检测（pytorch）
  • 第一章 相关概念概述
    • 1.1 检测框表示
    • 1.2 交并比
  • 第二章 基础网络
  • 第三章 先验框设计
  • 第四章 LOSS设计

从零开始实现SSD目标检测（pytorch）

特别说明：

1. 本系列文章是Pytorch目标检测手册的翻译+总结
2. 知其然知其所以然，光看论文不够，得亲自实现

第一章 相关概念概述

1.1 检测框表示

边界宽（bounding box）是包围一个物体（objective）的框，用来表示这个物体的位置、形状、大小等信息。不是最小外接矩形，仅仅是一个转动角度为 0 的框。如下图1-1所示：

表示框的方法有很多(不赘述)，图1-1的方式为框的边界四个极值坐标\(x_{min},y_{min},x_{max},y_{max}\)。

但是这样做的有点缺点：

• 知道\(x_{min},y_{min},x_{max},y_{max}\)，我们无法知道这个目标的更多信息（比例），必须画出来才有感官
• 如果没有图像的宽高，像素值毫无用处（其实还是无法知道比例信息）

改进方式如下图1-2所示

图1-2使用比例的方式，很直观的知道目标更多的信息

但是还有一个缺点：

• 直接看这个信息，我们不知道目标长宽信息（当然你自己可以另外计算）
• 也不知道中心位置（相对于边界，我们更关心中心）

再次改进的方式如下图1-3所示：

\(c_x,c_y,w,h\)，中心点+宽高的方式，满足视觉信息最大化。

1.2 交并比

如何用来判断一个框检测的好与坏？

1. 使用交集\(A \cap B\)

直接使用交集的大小去判断好坏，大尺度和小尺度不对等

比如：A和B大小都为100，交集50. C和D大小都为10，交集5.

如何说明这两组哪个好坏？

通过上述的例子，我们发现少了一个比例问题。。。

1. 使用 \(\frac{A{\cap}B}{A{\cup}B}\)交集除以并集

完全解决上诉问题

注意：这里还存在一个关于LOSS的问题，具体可参考GIOU

第二章 基础网络

第三章 先验框设计

第四章 LOSS设计

原文地址：https://www.cnblogs.com/wjy-lulu/p/11827204.html