2021年6月8日 · DSSD作者提出一种通用的Top Down的融合方法，使用vgg和resnet网络，以及不同大小的训练图片尺寸来验证算法的通用型，将高层的语义信息融入到低层网络的特征信息中，丰富预测回归位置框和分类任务输入的多尺度特征图，以此来提高检测精度。

2017年1月23日 · We then augment SSD+Residual-101 with deconvolution layers to introduce additional large-scale context in object detection and improve accuracy, especially for small objects, calling our resulting system DSSD for deconvolutional single shot detector.

DSSD作者提出一种通用的Top Down的融合方法，使用vgg和resnet网络，以及不同大小的训练图片尺寸来验证算法的通用型，将高层的语义信息融入到低层网络的特征信息中，丰富预测回归位置框和分类任务输入的多尺度特征图，以此来提高检测精度。

This repository implements DSSD : Deconvolutional Single Shot Detector. The code were borrowed heavily from SSD. The things I did was the DSSD network definition, including the backbone of resnet101, deconvolutional module, and the prediction modules.

增加了反卷积层的DSSD321和DSSD513提升了1-1.5点准确率，这证明了我们方法的有效性。 我们的单模型准确率比SOTA的R-FCN好1%。 总之，DSSD对于有着特定背景的目标和小目标的检测有了大幅提升。 比如飞机、船只、牛、羊都有着特定的背景，比如天空、草地等。

配图总体介绍：上方模型是原始 SSD 结构，下方模型是 DSSD 结构。 DSSD 与 SSD 的不同之处： DSSD 在 SSD 后添加了 Deconvolutional Module。 DSSD 的预测模块 prediction module 的输入与结构都与 SSD 不同。 1.3. 模型实现细节 预测模块（Prediction Module）：

2025年1月23日 · DSSD (Deconvolutional Single Shot Detector)是SSD 算法 改进分支中最为著名的一个，SSD的其他改进还包括RSSD（https://arxiv.org/abs/1705.09587）、FSSD（https://arxiv.org/abs/1512.02325）等。 在 VOC2007 数据集上，513*513的输入图片上，DSSD的mAP值达到81.5%，但是fps只有6fps左右。 DSSD将SSD的VGG网络用Resnet-101进行了替换，在分类回归之前引入了残差模块，在SSD添加的辅助卷积层后又添加了反卷积层形 …

2020年4月14日 · DSDD全称为 Deconvolutional Single Shot Detector，即在SSD算法的前面加了一个反卷积单词，这是CVPR 2017的一篇文章，主要是对SSD进行了一个改进。 关于SSD的详细解释请看 目标检测算法之SSD，然后关于反卷积请看 深入理解神经网络中的反 (转置)卷积。 2. DSDD算法的贡献. 这篇论文的主要贡献是在常用的目标检测算法中加入了上下文信息。 换句话说，常规的目标检测算法一般都是在一个 (YOLO，Faster-RCNN)或者多个特征图上进行检 …

2018年12月20日 · DSSD主要是向目标检测结构中增加语义信息。 本文首先结合ResNet-101与SSD，然后，在此基础上添加反卷积层用于增大目标检测中的语义信息，从而提高目标物体尤其是小物体检测的准确率。

SSD是一个端到端的模型，所有的检测过程和识别过程都是在同一个网络中进行的；同时SSD借鉴了Faster R-CNN的Anchor机制的想法，这样就像相当于在基于回归的的检测过程中结合了区域的思想，可以使得检测效果较定制化边界框的YOLO v1有比较好的提升。 SSD较传统的检测方法使用顶层特征图的方法选择了使用多尺度特征图，因为在比较浅的特征图中可以对于小目标有比较好的表达，随着特征图的深入，网络对于比较大特征也有了比较好表达能力，故SSD选择使用多尺 …