[Intensive Reading]目标检测(object detection)系列（六） SSD：兼顾效率和准确性

目标检测系列：

目标检测(object detection)系列（一） R-CNN：CNN目标检测的开山之作

目标检测(object detection)系列（二） SPP-Net：让卷积计算可以共享

目标检测(object detection)系列（三） Fast R-CNN：end-to-end的愉快训练

目标检测(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN

目标检测(object detection)系列（五） YOLO：目标检测的另一种打开方式

目标检测(object detection)系列（六） SSD：兼顾效率和准确性

目标检测(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN

目标检测(object detection)系列（八） YOLOv2：更好，更快，更强

目标检测(object detection)系列（九） YOLOv3：取百家所长成一家之言

目标检测(object detection)系列（十） FPN：用特征金字塔引入多尺度

目标检测(object detection)系列（十一） RetinaNet：one-stage检测器巅峰之作

目标检测(object detection)系列（十二） CornerNet：anchor free的开端

目标检测(object detection)系列（十三） CenterNet：no Anchor，no NMS

目标检测(object detection)系列（十四）FCOS：用图像分割处理目标检测

目标检测扩展系列：

目标检测(object detection)扩展系列（一） Selective Search：选择性搜索算法

目标检测(object detection)扩展系列（二） OHEM：在线难例挖掘

目标检测(object detection)扩展系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在损失函数上的区别

前言：兼顾效率和准确性

SDD出现之前，主流的CNN目标检测模型分别是Faster R-CNN和YOLO，Faster R-CNN作为two-stage的代表，具有state of the art的准确性，但是速度偏慢，做不到实时。YOLO使得目标检测任务one-stage就能完成，在效率上有了明显改善，但是准确性上确差了很多。这就好比“人有悲欢离合，月有阴晴圆缺，此事古难全。”

但是就在这个时候，SDD出现了，一个兼顾了效率和准确性的网络结构。因为它做到了比Faster R-CNN更准，同时又比YOLO更快的性能表现。

SSD的论文是《SSD: Single Shot MultiBox Detector》，下面我们就来看一下它具体是如何实现的。

YOLO实现

设计理念

• 从不同的卷积层中分别拉取分支进行检测，不同的卷积层具有多种感受野和语义信息
• 用卷积层代替全连接层和reshape层，用卷积核的数量控制输出特征图的通道数
• 借鉴Faster R-CNN，进入用先验atchor box，并对每一个box都预测类别

网络结构

​

​

​