固态硬盘多大合适(480g固态和512g固态啥区别)

固态硬盘选多少g的好

论文链接：tensorflow源代码链接：这是YOLO之后的另一个引人注目的目标检测结构。它使用直接返回YOLO中的bbox和分类概率的方法。同时，它也指的是Faster R-CNN。大量的锚被用于提高识别精度。学位。通过结合这两种结构，SSD可以保持较高的识别速度，并且还可以将mAP提升到更高的水平。原始作者提供了两种SSD结构，SSD 300和SSD 512，用于不同输入大小的图像识别。在本文中，我们以SSD 300为例。图1的上部是SSD 300，下部是YOLO，可以比较一下。 SSD 300中输入图像的大小为300x300。特征提取部分使用VGG16的卷积层，并将VGG16的两个完全连接的层转换为普通的卷积层（图中的conv6和conv7），然后连接多个卷积（conv8_1，conv8_2，conv9_1，conv9_2，conv10_1，conv10_2） ），最后使用全局平均池将其转换为1x1输出（conv11_2）。一个。在Faster R-CNN中重新启用锚结构。如果SSD中存在多个地面实况，则每个锚点（在原始文本中称为默认框，名称不同）将选择与最大IOU相对应的地面实况。一个锚仅对应一个基本事实，但是一个基本真理可以对应大量锚，因此，无论两个基本事实多么接近，YOLO中都不会发生bbox冲突。 b。同时在多个级别上使用锚进行回归。作者认为，仅仅依靠相同级别的多个锚点进行回归是不够的。因为该层上所有锚点的IOU很可能相对较小，也就是说，所有锚点都离地面事实相对较远。使用此锚来训练错误将非常大。例如，在图2中，左侧的较低级别是因为要素图的大小较大，
它比地面实况的大小小得多，因此，与该层上所有锚点对应的IOU相对较小；右边的较高级别，因为特征图的大小较小，锚点覆盖的范围较大，远远超过了地面实况的大小，因此IOU也相对较小；只有图2中部的锚点具有较大的IOU。通过同时计算多个级别上的锚的IOU，您可以找到在大小和位置上最接近地面实况的一批锚（即最大的IOU），并且可以在训练。 SSD的优势已在上一章中提到：通过在不同级别上选择不同大小和不同比例的锚点，您可以找到最适合地面实况进行训练的锚点，从而使整个结构的准确性更高。 SSD的缺点是对小型目标的识别仍然相对较差，还没有达到Faster R-CNN的水平。这主要是因为小规模的目标通常是用较低级别的锚进行训练的（因为小规模的目标在较低级别的IOU处较大），并且较低级别的非线性特性不足以训练到足够的精度。下图是各种目标识别结构的mAP和训练速度的比较。您可以在其中看到SSD的位置：