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

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

筆記

【2.1SSD算法理論】

1、SSD和FCOS的區(qū)別：FCOS的特征層涉及特征融合；SSD的特征層沒(méi)有特征融合。

2、SSD和Faster-RCNN的區(qū)別：Faster-RCNN生成回歸參數(shù)時(shí)針對(duì)每一個(gè)類別生成，對(duì)于每一個(gè)框生成4*c個(gè)；SSD生成回歸參數(shù)時(shí)不考慮類別，對(duì)于每一個(gè)框生成4個(gè)回歸參數(shù)。

3、SSD正樣本選?。海?）對(duì)每一個(gè)GT box找IOU最大的default box作為正樣本；（2）對(duì)每一個(gè)default box，如果其與任意一個(gè)GT box的IOU的值大于0.5則認(rèn)為為正樣本。

4、SSD負(fù)樣本選取：對(duì)除正樣本之外的default box計(jì)算highest confidence loss（越大表示越有可能被記為正樣本？），根據(jù)值最大的和正負(fù)樣本比例控制在1:3來(lái)選取負(fù)樣本。

【2.2 SSD源碼解析(Pytorch)】

1、SSD源碼使用介紹

（1）Backbone:主干網(wǎng)絡(luò)用Resnet50而不是VGG16，且只用Resnet50的conv1-conv4,并將conv4的卷積步距設(shè)為1*1大小的。

（2）使用BN結(jié)構(gòu)

（3）使用NVIDIA DALI library（用GPU對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，提高數(shù)據(jù)預(yù)處理的速度）（有的訓(xùn)練時(shí)發(fā)現(xiàn)GPU使用率低就是因?yàn)閿?shù)據(jù)預(yù)處理是用CPU，導(dǎo)致GPU運(yùn)行完上一個(gè)step時(shí)，CPU還沒(méi)準(zhǔn)備好下一個(gè)step的數(shù)據(jù)）

（4）混合精度（TF32 ,TF16）（不太懂，數(shù)據(jù)類型？）

為啥B站上有用Pytorch搭建SSD訓(xùn)練自己的數(shù)據(jù)集，有Pytorch搭建EfficientNet訓(xùn)練自己的數(shù)據(jù)集，就是沒(méi)有FCOS的，這算不算因?yàn)椴藀ush大佬出教程。

但是，深度學(xué)習(xí)小白拿到畢設(shè)題目表示真的很需要這樣一個(gè)教程，干啥都迷迷糊糊，想嘎。