详情请进入 湖南阳光电子学校 已关注：人 咨询电话：0731-85579057 微信号：yp941688, yp94168
眉县试验检测工程师详情码字不易，2金属的氧化物熔点应低于金属熔点，欢迎给个赞！
欢迎交流与转载，文章会同步发布在公众号：机器学习算法全栈工程师(Jeemy110)
前言目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型（参考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），使用直流时，焊件与电源输出端正、负极的接法，叫极性，导致模型准确度稍低。不同算法的性能如图1所示，可以看到两类方法在准确度和速度上的差异。
图1 不同检测算法的性能对比本文讲解的是SSD算法，其英文全名是Single Shot MultiBox Detector，名字取得不错，Single shot指明了SSD算法属于one-stage方法，MultiBox指明了SSD是多框预测。在上一篇文章中我们已经讲了Yolo算法，从图1也可以看到，SSD算法在准确度和速度（除了SSD512）上都比Yolo要好很多。图2给出了不同算法的基本框架图，做一名好焊工需要细心，稳重，眼疾手快，认真！多实习，多练习，对于Faster R-CNN，焊接已成为现代工业不可分离的组成部分在工业化发达的美国，焊接被视为“美国制造业的命脉，而且是美国未来竞争力的关键所在”，其先通过CNN得到候选框，然后再进行分类与回归，而Yolo与SSD可以一步到位完成检测。相比Yolo，SSD采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。其实采用卷积直接做检测只是SSD相比Yolo的其中一个不同点，另外还有两个重要的改变，一是SSD提取了不同尺度的特征图来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体；二是SSD采用了不同尺度和长宽比的先验框（Prior boxes, Default boxes，在Faster R-CNN中叫做锚，Anchors）。Yolo算法缺点是难以检测小目标，而且定位不准，但是这几点重要改进使得SSD在一定程度上克服这些缺点。下面我们详细讲解SDD算法的原理，并 后给出如何用TensorFlow实现SSD算法。
图2 不同算法的基本框架图设计理念SSD和Yolo一样都是采用一个CNN网络来进行检测，，2氧气瓶它是一种储存和运输氧气的高压容器，但是却采用了多尺度的特征图，其基本架构如图3所示。下面将SSD核心设计理念总结为以下三点：
图3 SSD基本框架（1）采用多尺度特征图用于检测
所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标，如图4所示，8x8的特征图可以划分更多的单元，但是其每个单元的先验框尺度比较小。
图4 不同尺度的特征图（2）采用卷积进行检测
与Yolo 后采用全连接层不同，SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状为 的特征图，只需要采用 这样比较小的卷积核得到检测值。
（3）设置先验框
在Yolo中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真实目标的形状是多变的，Yolo需要在训练过程中自适应目标的形状。而SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异，如图5所示，可以看到每个单元使用了4个不同的先验框，图片中猫和狗分别采用 适合它们形状的先验框来进行训练，后面会详细讲解训练过程中的先验框匹配原则。
图5 SSD的先验框SSD的检测值也与Yolo不太一样。对于每个单元的每个先验框，其都输出一套独立的检测值，对应一个边界框，主要分为两个部分。第一部分是各个类别的置信度或者评分，值得注意的是SSD将背景也当做了一个特殊的类别，特种作业人员具备的条件年龄满18岁；身体健康、无妨碍从事相应工种作业的疾病和生理缺陷；初中以上文化程度，具备相应工程的安全技术知识，参加国家规定的安全技术理论和实际操作考核并成绩合格；符合相应工种作业特点需要的其他条件，如果检测目标共有 个类别，SSD其实需要预测 个置信度值，其中第一个置信度指的是不含目标或者属于背景的评分。后面当我们说 个类别置信度时，请记住里面含背景那个特殊的类别，即真实的检测类别只有 个。在预测过程中，置信度 高的那个类别就是边界框所属的类别，特别地，当第一个置信度值 高时，表示边界框中并不含目标。第二部分就是边界框的location，含4个值 ，分别表示边界框的中心坐标以及宽高。但是真实预测值其实只是边界框相对于先验框的转换值(paper里面说是offset，但是觉得transformation更合适，参见R-CNN)。先验框位置用 表示，其对应边界框用 $表示，那么边界框的预测值 其实是 相对于 的转换值：
习惯上，我们称上面这个过程为边界框的编码（encode），预测时，你需要反向这个过程，即进行解码（decode），从预测值 中得到边界框的真实位置 ：
然而，在SSD的Caffe源码实现中还有trick，那就是设置variance超参数来调整检测值，通过bool参数variance_encoded_in_target来控制两种模式，当其为True时，表示variance被含在预测值中，就是上面那种情况。但是如果是False（大部分采用这种方式，训练更容易？），就需要手动设置超参数variance，用来对 的4个值进行放缩，此时边界框需要这样解码：
综上所述，对于一个大小 的特征图，共有 个单元，每个单元设置的先验框数目记为 ，那么每个单元共需要 个预测值，所有的单元共需要 个预测值，由于SSD采用卷积做检测，所以就需要 个卷积核完成这个特征图的检测过程。
网络结构SSD采用VGG16作为基础模型，对焊工要求高，焊工的操作技术和经验直接影响产品质量的好坏，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。SSD的网络结构如图5所示。上面是SSD模型，下面是Yolo模型，可以明显看到SSD利用了多尺度的特征图做检测。模型的输入图片大小是 （还可以是 ，其与前者网络结构没有差别，只是 后新增一个卷积层，本文不再讨论）。
图5 SSD网络结构采用VGG16做基础模型，首先VGG16是在ILSVRC CLS-LOC数据集预训练。然后借鉴了DeepLab-LargeFOV，分别将VGG16的全连接层fc6和fc7转换成 卷积层 conv6和 卷积层conv7，同时将池化层pool5由原来的stride=2的 变成stride=1的 （猜想是不想reduce特征图大小），为了配合这种变化，采用了一种Atrous Algorithm，其实就是conv6采用扩展卷积或带孔卷积（Dilation Conv），其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，其使用扩张率(dilation rate)参数，来表示扩张的大小，如下图6所示，(a)是普通的 卷积，其视野就是 ，(b)是扩张率为2，此时视野变成 ，(c)扩张率为4时，视野扩大为 ，但是视野的特征更稀疏了。Conv6采用 大小但dilation rate=6的扩展卷积。
图6 扩展卷积然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做finetuing。
。顺义电焊培训学校，顺义电焊培训班，顺义电焊学校，顺义学电焊的学校，顺义电焊培训哪里好，顺义电焊培训学校，顺义电焊短期培训班，顺义电焊培训学校地址，顺义学电焊培训，顺义电焊培训哪里好，顺义电焊培训班，顺义电焊技术培训.
(整理：顺义电焊培训学校)
湖南阳光电子学校教学特色
