尋夢新聞LINE@每日推播熱門推薦文章，趣聞不漏接❤️
若派發布了SSD神經網路訓練工具，基於SPR2801S的神經網路計算棒，可以高效的做到目標檢測、分類等視頻結構化應用。
做AI人工智能，不提SSD，那都是不入流。SSD目標檢測算法，在速度上，比之前最快的YOLO還要快；在檢測精度上，可以和Faster RCNN相媲美，是視頻結構化的應用中必不可少的深度學習的目標檢測算法。對SSD的理解：
1、SSD提供了一種用於目標檢測的方法，僅僅使用了一個深度神經網路。
–這是相對於RCNN的訓練來說的，因為對於Faster Rcnn，需要訓練RPN網路以及fast rcnn網路。
2、SSD的特別之處：
–它把最終要輸出的bounding box預先固定在默認設置好的特徵圖上，意思是你給網路輸入一個圖片，它肯定會產生很多特徵圖，而我就在特徵圖上預先聲明好很多box，你最後要得到的bounding box就是從已經聲明好的box里挑出來的，當然不是直接拿來就用，而是把挑到的box進行調整。
–還強調了一點，這些預先設定的box形態各異，因為圖片上的物體有各種形狀，為了使得能更快的更精確的調整box使其能與圖片上的物體的形狀更吻合，所以先設定長寬比例不同的box。
3、SSD的預測：
–在預測階段呢，操刀的地方就是預設的那些box，對這些box覆蓋的區域進行分類，比如21類，分類的話肯定會產生每一類的得分是多少。
–除了預測分類任務，還要調整這些box的大小及形狀，就得到了物體的位置，也就是我們看到的框框。
4、對於大小不一的物體怎麼統一檢測呢？
–SSD說，它採用了從不同「分辨率」的特徵圖上設置預設box的方法，我直覺上感覺它說的道理行得通。
5、SSD的自我總結：
–我跟YOLO一樣簡單都是a single-shot detector formultiple categories，但是我比它快，比它精確，還有，我承認Faster Rcnn很精確，但是我比它快。
–我的核心科技在於我是對那些預設的固定數目的box進行分類評分和預測其新位置的，請注意，這些box分布在不同尺寸的特徵圖上，還有，這些box也是形態各異的。
6、SSD網路的結構：
–分為兩個部分，前面的是標準的高質量圖片分類，但是去掉了分類層，在SSD中叫它base network，但是base network滿足不了SSD， 所以：add auxiliary structure to the network to produce detectionswith the following key features
7、那上面提到的 auxiliary structure都是什麼？
–Multi-scalefeature maps for detection，就是在base net後邊加上卷積特徵層，這些層的尺寸依次減小，這就相當於做到了在multiplescales feature上detection。
–Convolutionalpredictors for detection ，前面提到的base net及multiple scales feature maps fordetection能產生固定數目的detection predictions，而要進行predictors for detection的話用的是3x3xp的small kernel，用於對分類評分及對default box計算應該進行的偏移量。
若派致力於人工智能產業化，推動人工智能產品落地應用。基於人工智能開發方案，若派提供了演示，提供了包括CNN運算加速晶片、神經網路計算棒、AI內置模塊、PCIe等多種形式的開發平台。