1.实现ssd-keras实时目标检测算法，并制作十张图片的测试集。效果一般。ssd算法是继faster-rcnn与yolo之后的又一力作。来自UNC团队2016年发表在ECCV上。SSD最大的特点就是在较高的准确率下实现较好的检测准确度。并非为两种模型：SSD300（300*300输入图片），SSD500（512*512输入图片）。当然输入图片的尺寸越大，往往会得到更好的检测准确率，但同时也带来显存开销过大与设备性能要求较高等问题。在实际的上手操作中，测试效果一般。因为是直接在github上clone -recursive下来，并按照说明进行配置运行。而且还没有整理好自己的数据集，故也就不需要训练，验证并fine-tine超参数等一系列操作。。同时也没有什么好的想法去在SSD基础卷积网络结构上做改进优化的小点子-_-||。。所以也没什么好说的。。。因为训练比较麻烦故用的是在voc07+12 SSD300训练好的模型。并用了下voc2007测试集测试集简单跑了下。简单修改了下路径函数实现了几张本地图片的检测。。另外中间有一个小插曲，因为题主用的显卡是GTX1060，只有6G显存，当时训练报错out of memory也是很郁闷。。尝试简单改小batch_size再次尝试训练还是out of memory于是就放弃了训练。。对了，另外用ssd500测试的时候也出样同种情况。。当然git主不只提供了基于VOC的训练模型，同时也提供COCO与ILSVRC的预 训练模型。。这主要根据自己的真实需求选择不同的训练模型，类别数依次递增。当然也用到些基本技能：jupyter notebook远程连接服务器：172.xx.xx.xx：端口号很方便。还有两大神器：xshell（虽然不知道笔记本为啥不能免费试用从而转战了putty）,winscp（好用的文件传输谁用谁知道）。
2.接下来就准备简单搞一下yolo了 ，目前检测方面速度最快的算法之一。直接使用的官方yolo-darknet。配置比较简单，直接实现也没什么好说的。。只是实时测试中yolo达到19fps，tiny-yolo达到75fps左右。yolo明显比tiny-yolo识别精度要高一些。另外又简单搞了下yolov3，确实有所提升yolov3达到27fps。
3.另外又搞了下faster-rcnn基于tensflow的。这个就跟没什么好说的了。。选用resnet101预训练于VOC07+12的模型。在自制十张小数据集上小测一番，表现略高于前两者，因为数据集特殊故可以肉眼看出。
最后吐槽一下，目标检测近几年真是发展迅猛，从yolo系列的高速单步检测到faster-rcnn系列基于候选区域的较高精度检测。再到SSD的改进（提高了精度与达到了不错的速度）。再有后者的基于FPN与Focal loss的Retinanet（特征金字塔，焦点损失）。再有网络结构的改进之Resnext，号称真正改良了Resnet残差网络，通过增加path的方式减少了参数量提升了表现，优于对宽度或深度做改变。再有就是Frcn，同样号称是检测界的一项重大突破，同样是减少参数量，使得再次增加网络深度成为可能，并在检测中有着不俗的表现。一入检测深似海，学习永远在路上。
最抛几个常用关键字吧：
batch size ；batch normalization；filter size；SGD；BGD；dropout；rule；softmax；卷积与全连接；thresholdre等。
