数据集 数据集_从零开始学习SSD目标检测算法训练自己的数据集

SSD 算法利用多尺度特征图进行分类和位置回归，检测小目标效果优于 YOLO 算法，但 SSD 算法在进行车辆检测时存在漏检问题。为此，提出一种改进 SSD 算法。为提取更多的车辆特征信息，设计改进 Inception 模块替代 SSD 网络中的 Conv8、Conv9 和 Conv10 层。将浅层特征的位置信息和深层特征的语义信息进行均衡化融合，构建多尺度特征融合均衡化网络，提高小目标车辆识别率。在特征提取层均引入 SENet，对不同特征通道的重要性进行重标定以提高模型性能。实验结果表明，改进后 SSD 算法在自制的车辆数据集上平均精度为 90.89%，检测速度达到 59.42 frame/s，相比改进前的 SSD 算法，在精度和速度上分别提高 2.65 个百分点和 17.41 frame/s，能够更快速、准确地对图像中的车辆进行识别和定位。

端到端的目标检测算法SSD,论文中涉及的目标框个数，长宽比等计算

该代码实现了基于一张照片上的20种目标检测，检测率高达80%以上。

SSD：Single Shot MultiBox Detector 英文原文和中文翻译版，希望对大家有帮助

基于基础网络MobileNet的SSD框架 采用Android实现目标检测 采用NCNN框架加速