我看到過的最複雜的模型就是ssd了，應該說在object detection這個領域，大牛們都是一再的奮鬥著、努力著。一路飄過，聽到的模型真的有很多，但是我覺得有質的變化還應該是r-cnn—spp—fast rcnn —faster rcnn— yolo，為什麼會是這樣呢，我感覺其實如果是但一物體的識別就應該是regression的問題，rbg大神也許也這麼想，所以自然多物體的檢測就不是單純的regression，但是我還想讓識別如分類那般，簡單，自然。那怎麼辦呢？就誕生了r-cnn，不再是regression可能的列舉，用了selective search的方法去匹配尋找特徵，提取出classifier，然後再用bbox回歸，使其達到最優。正如作者所言，科學需要不斷地反覆實驗和對比才顯得有價值。spp主要解決了輸入尺寸的問題，更加顯得更有藝術一些；最後fast和faster摒棄了svm分類器的方法，前面還是不夠藝術，說是******，其實是分步做了這些工作，所以fast就出現了，最後大神自己都說速度被限制在了第一步，roi上，於是出現了faster rcnn，最後yolo，直接強制劃分7*7，變成回歸來做，也不需要那些繁瑣的步驟。其實我也有過這種想法，但是不知道怎麼做。
自從看了他們的文章，老師也說地道，不得不說，不僅地道，分析問題一針見血，用詞相當精闢，像我是想不出來的。。。我還記得fast r-cnn裡有這麼一句原話：solutions to these problems often compromise speed，accuracy,or simplicity.當然我比較喜歡compromise。
說了這麼多，其實我就想說，網路的定義，你看看上面這麼多的case，網路都是哪樣的，上次那個rcnn最經典，乙個卷積接著乙個池化，最後再通過全連線層。然後你再看看fast rcnn，faster rcnn和ssd，模型的結構越來越複雜。
深度學習（七）object detection
目標檢測 object detection 的基本思路 檢測 detection 定位 localization 目標檢測在很多場景有用，如無人駕駛和安防系統。特徵提取演算法 如 haar特徵，hog特徵 分類器 如 svm selective search to extract regions c...
深度學習物體檢測（七） SSD
yolo 模型每個網格只 乙個物體，容易造成漏檢 對於物體的尺度相對比較敏感，對於尺度變化較大的物體泛化能力較差。針對 yolo 中的不足，提出的 ssd single shot multibox detector 方法同時兼顧了 map 和實時性的要求。對於輸入影象大小為 300 300 在 vo...
深度學習總結 七 調參經驗
觀察loss勝於觀察準確率，loss設計要合理，對比訓練集和驗證集的loss relu可以很好的防止梯度瀰散問題，當然最後一層的啟用函式千萬慎用relu，如果是分類的用softmax batchnorm可以大大加快訓練速度和模型效能 dropout防止過擬合，可直接設定為0.5，即一半一半，測試的時...