1、【2.1SSD算法理论】 https://www.bilibili.com/video/BV1fT4y1L7Gi/?share_source=copy_web&vd_source=1e6f2281c23ca69b18df2d7768310983

(资料图)

2、【2.2 SSD源码解析(Pytorch)】 https://www.bilibili.com/video/BV1vK411H771/?share_source=copy_web&vd_source=1e6f2281c23ca69b18df2d7768310983

笔记

【2.1SSD算法理论】

1、SSD和FCOS的区别：FCOS的特征层涉及特征融合；SSD的特征层没有特征融合。

2、SSD和Faster-RCNN的区别：Faster-RCNN生成回归参数时针对每一个类别生成，对于每一个框生成4*c个；SSD生成回归参数时不考虑类别，对于每一个框生成4个回归参数。

3、SSD正样本选取：（1）对每一个GT box找IOU最大的default box作为正样本；（2）对每一个default box，如果其与任意一个GT box的IOU的值大于0.5则认为为正样本。

4、SSD负样本选取：对除正样本之外的default box计算highest confidence loss（越大表示越有可能被记为正样本？），根据值最大的和正负样本比例控制在1:3来选取负样本。

【2.2 SSD源码解析(Pytorch)】

1、SSD源码使用介绍

（1）Backbone:主干网络用Resnet50而不是VGG16，且只用Resnet50的conv1-conv4,并将conv4的卷积步距设为1*1大小的。

（2）使用BN结构

（3）使用NVIDIA DALI library（用GPU对数据进行预处理，提高数据预处理的速度）（有的训练时发现GPU使用率低就是因为数据预处理是用CPU，导致GPU运行完上一个step时，CPU还没准备好下一个step的数据）

（4）混合精度（TF32 ,TF16）（不太懂，数据类型？）

为啥B站上有用Pytorch搭建SSD训练自己的数据集，有Pytorch搭建EfficientNet训练自己的数据集，就是没有FCOS的，这算不算因为菜push大佬出教程。

但是，深度学习小白拿到毕设题目表示真的很需要这样一个教程，干啥都迷迷糊糊，想嘎。

关键词：