SSD Multibox检测入门
单镜头多盒探测器(SSD)使用单一阶段的目标检测网络，合并从多尺度特征预测的检测。SSD比两级检测器(如faster R-CNN检测器)更快，比单尺度特征检测器(如YOLO v2检测器)更精确地定位对象。
SSD在输入图像上运行深度学习CNN，以产生来自多个特征映射的网络预测。对象检测器聚集并解码以生成边界框的预测。
预测图像中的物体
SSD使用锚框来检测图像中的对象的类。有关更多详细信息，请参阅用于物体检测的锚盒．SSD预测每个锚框的这两个属性。
锚盒偏移 - 优化锚箱位置。
类别概率-预测分配给每个锚框的类别标签。
该图示出了特征图中的每个位置处的预定义锚箱（虚线），并在应用偏移后的精制位置。匹配的盒子与班级是蓝色和橙色。
转移学习
通过迁移学习，您可以使用预先训练的CNN作为SSD检测网络中的特征提取器。使用ssdlayers.功能创建SSD检测网络从任何预先训练的CNN，如MobileNet v2．有关佩带的CNN列表，请参阅预先训练的深度神经网络（深度学习工具箱）．
您还可以根据预先训练的图像分类CNN设计自定义模型。有关更多详细信息，请参阅设计SSD检测网络．
设计SSD检测网络
您可以以编程方式设计自定义SSD模型或使用深层网络设计师（深度学习工具箱）应用程序手动创建网络。该应用程序包含计算机Vision Toolbox™SSD功能。
设计SSD Multibox检测网络，请遵循以下步骤。
用特征提取网络启动模型，可以从预先训练的CNN初始化，也可以从头开始训练。
从特征提取网络中选择预测图层。来自特征提取网络的任何层都可以用作预测层。但是，要利用使用多尺度特性进行对象检测的好处，请选择不同尺寸的特征图。
通过附加锚点向预测层指定锚框
anchorBoxLayer每个层。的输出连接
anchorBoxLayer对象到分类分支和回归分支。分类分支具有至少一个卷积层，该卷积层预测每个瓷砖锚盒的类。回归分支具有至少一个卷积层，其预测锚框偏移。您可以在分类和回归分支中添加更多图层，但是，最终卷积层（在合并层之前）必须具有根据此表的过滤器数。分支 过滤器数量 分类 锚盒数+ 1（用于背景类） 回归 锚箱数量的四倍 对于所有预测层，通过使用该分类分支的输出来结合
ssdmergelayer对象。连接ssdmergelayer对象至A.softmaxlayer.（深度学习工具箱）对象，其次是一个Focallosslayer.对象。方法收集回归分支的所有输出ssdmergelayer再次对象。连接ssdmergelayer输出一个rcnnBoxRegressionLayer对象。
有关创建此类网络的更多详细信息，请参阅创建SSD对象检测网络
用SSD模型训练对象检测器并检测对象
要学习如何使用SSD深度学习技术训练对象检测器，请参阅使用SSD深度学习的对象检测的例子。
代码生成
学习如何生成CUDA®使用SSD对象检测器的代码（使用它使用ssdobjectdetector对象），见使用单次Multibox检测器进行对象检测的代码．
深度学习标签培训数据
你可以使用图像贴标器那视频贴图， 要么地面真理贴标机（自动驾驶工具箱）应用程序以交互方式标记像素并导出标签数据进行培训。该应用程序还可用于标记对象检测的矩形感兴趣区域（ROI），用于图像分类的场景标签，以及语义分割的像素。要从任何贴标程序创建导出地面真相对象的培训数据，您可以使用ObjectDetortRaringData.或PixellabeltrainingData.功能。有关更多详细信息，请参阅对象检测和语义分割的培训数据．
参考文献
[1]刘，魏，龙卷风犬，丹麦特·埃哈，基督徒塞阁迪，斯科特芦苇，程阳富，亚历山大C.伯格。“SSD：单次拍摄多杆探测器。”在电脑愿景 - ECCV 2016，由Bastian Leibe，Jiri Matas，Nicu Sebe编辑，最大化，9905：21-37。Cham：Springer International Publishing，2016. Https://Doi.org/10.1007/978-3-319-46448-0_2。
也可以看看
应用
对象
功能
相关例子
更多关于
- 用于物体检测的锚盒
- MATLAB中的深度学习（深度学习工具箱）
- 预先训练的深度神经网络（深度学习工具箱）
你也可以从以下列表中选择一个网站:
