SSD的预测过程主要分为以下几个阶段：
首先根据类别置信度确定其类别与其对应的置信度值，并过滤掉属于背景的预测框；
根据置信度阈值0.5对预测框进行过滤，对剩下的预测框进行解码和校正，得到预测框真实的位置信息；
根据置信度进行降序排列，保留部分预测框并进行NMS，过滤掉那些重叠度较大的预测框得到最终检测结果；
2022-03-23 20:06:09
9KB
1
SSD训练过程中的关键点是如何将ground truth信息和网络预测输出的信息匹配上，一旦信息匹配上就能端到端的训练了（这里可以理解为预测值和GT值为loss function的两个输入，需要进行相应值的转换才才能符合loss function的输入标准）。
匹配策略：
在SSD的训练过程中，当预测bbox和任一gt bbox的jaccard overlap（IOU值）大于0.5时都被当做正样本（由于图像中GT很少，目的是防止负样本过多这个样本过少，学习难度大），其实即使是这样训练过程中由于ground truth太少，正负样本还是极度不平衡；
训练目标（loss函数）：
2021-08-18 20:41:43
18KB
1
SSD 预训练的权重文件，下载后解压就可，model.load_weights（"weights_SSD300.hdf5"）加载无问题
2020-03-11 03:10:00
91.26MB
1
原来的代码是在jupyter notebook上运行，改为直接python运行，并且加入图片和视频中的目标检测
2020-01-03 11:38:09
97.77MB
1
压缩包中是ssd300X300的网络模型，包括两种预训练模型的权值，vgg的预训练权值和ssd300的预训练权值
2019-12-21 21:49:49
169.36MB
1
SSD_300_vggmodel，包含两种ssd300：
Model Training data Testing data mAP
SSD-300 VGG-based VOC07+12+COCO trainval VOC07 test
SSD-300 VGG-based VOC07+12 trainval VOC07 test -
2019-12-21 20:45:58
186.37MB
1