“There are quite a few papers that discuss the application R-CNN (Region-based Convolutional Neural Network) for object detection and classification [1-3].”
按年被提到
20152016 · 1 次2026
SSD: Single Shot MultiBox Detector
SSD:单发多框检测器
Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg · 2015
用单个网络完成目标检测,省去候选框生成,速度快
被推荐 · 4 人首次 2016-11-10 · 最近 2020-02-22
4不同的人
4活跃月份
4讨论串
22,994被引(OpenAlex)
提出 SSD,用单个深度网络做目标检测:在不同尺度的特征图上为每个位置预设多种长宽比的默认框,直接预测类别得分和框的偏移,完全省去候选区域生成与重采样阶段。在 VOC2007 上 300×300 输入达到 72.1% mAP、58 FPS,500×500 输入达到 75.1% mAP,优于同类 Faster R-CNN。
HN 为什么提它
评论者多把它当作单阶段目标检测器的典型例子来引用(如视频逐帧检测的实现、澄清谁是 SSD 作者),而不是专门推荐它。
方法难度 3 / 5约 45 分钟经得起时间
读之前最好知道
1卷积神经网络(CNN)
2目标检测基础(bounding box、mAP)
3Faster R-CNN
4多尺度特征图
学习路径
读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出先理解 VGG 这类基础网络和两种代表性检测框架(Faster R-CNN 的候选框和 YOLO 的单次回归),再读 SSD 如何结合两者的长处。
- 1
SSD 以 VGG-16 作为基础网络
读3x3 卷积堆叠的结构;知道它如何作为特征提取器即可
- 2
SSD 的默认框思路与 Faster R-CNN 的锚框和区域建议一脉相承
读区域建议网络与锚框的设计,以及检测的两阶段流程
- 3
SSD 与 YOLO 同属单次检测,速度快,并在精度上改进了它
读把检测当回归的整体设定及其定位精度的局限
- 4SSD: Single Shot MultiBox Detector
目标论文:用单个网络与多尺度特征图上的默认框做目标检测
读多层特征图上的默认框、匹配策略与训练损失
HN 书评
推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及推荐edshiro · 2017-11
推荐 SSD,它无需单独的候选区域阶段就能做目标检测
引用skirmish · 2019-10
“It uses SSD object detector (SSD, [LINK]) on each frame”
说明项目对每一帧使用了 SSD 目标检测器
引用joshvm · 2020-02
“I don't think pjreddie invented SSD, at least he's not on the author list.”
指出作者名单里没有 pjreddie,SSD 不是他发明的
被提交为 story · 1 次
- State of the Art Dnn. Single Shot MultiBox Detector ↗_audakel · 2016-11-10 · 1 分