锐客网

  1. 首页 > 睿知 > >

ssd固态硬盘怎么检测好坏,目标检测：YOLO和SSD 简介

睿知经验分享

ssd固态硬盘怎么检测好坏安装完ssd固态硬盘后就，再去设置好ssd固态硬盘，设置好后就可以检测硬盘的情况了 。但很多人到这一步就不知道怎么做了 。为此我为大家整理推荐了相关的知识，希望大家喜欢 。ssd固态硬盘检测好坏的方法1、系统安装完成后，重启两次电脑，利用软件检测下SSD的基本信息：如图10所示：2、使用CrystalDiskMark软件测试性能 ， 一切正常 ， 与金士顿产品标注的性能水准一致，如图11所示：33、测试SSD的性能，对文件进行复制和压缩，解压出一个office2007的文件所用时间，不到20秒，文件大小为900MB，如图12所示：
目标检测：YOLO和SSD 简介 作为计算机视觉三大任务（图像分类、目标检测、图像分割）之一，目标检测任务在于从图像中定位并分类感兴趣的物体 。传统视觉方案涉及霍夫变换、滑窗、特征提取、边界检测、模板匹配、哈尔特征、DPM、BoW、传统机器学习（如随机森林、AdaBoost）等技巧或方法 。在卷积神经网络的加持下，目标检测任务在近些年里有了长足的发展 。其应用十分广泛，比如在自动驾驶领域，目标检测用于无人车检测其他车辆、行人或者交通标志牌等物体 。目标检测的常用框架可以分为两类，一类是 two-stage/two-shot 的方法，其特点是将兴趣区域检测和分类分开进行，比较有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另一类是 one-stage/one-shot 的方法，用一个网络同时进行兴趣区域检测和分类，以YOLO（v1,v2,v3）和SSD为代表 。Two-stage的方式面世比较早，由于需要将兴趣区域检测和分类分开进行 ， 虽然精度比较高，但实时性比较差，不适合自动驾驶无人车辆感知等应用场景 。因而此次我们主要介绍一下SSD和YOLO系列框架 。SSD与2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 一文中提出 。虽然比同年提出的YOLO（v1）稍晚，但是运行速度更快，同时更加精确 。SSD的框架在一个基础CNN网络（作者使用VGG-16，但是也可以换成其他网络）之上，添加了一些额外的结构，从而使网络具有以下特性：用多尺度特征图进行检测作者在VGG-16后面添加了一些特征层，这些层的尺寸逐渐减?。市砦颐窃诓煌某叨认陆性げ?。越是深层小的特征图，用来预测越大的物体 。用卷积网络进行预测不同于YOLO的全连接层，对每个用于预测的通道特征图，SSD的分类器全都使用了卷积进行预测，其中是每个单元放置的先验框的数量，是预测的类别数 。设置先验框对于每一个特征图上的单元格 ， 我们都放置一系列先验框 。随后对每一个特征图上的单元格对应的每一个先验框，我们预测先验框的维偏移量和每一类的置信度 。例如 ， 对于一个的特征图 ， 若每一个特征图对应个先验框 ， 同时需要预测的类别有类 ， 那输出的大小为。（具体体现在训练过程中）其中，若用表示先验框的中心位置和宽高，表示预测框的中心位置和宽高，则实际预测的维偏移量 是分别是：下图是SSD的一个框架，首先是一个VGG-16卷积前5层，随后级联了一系列卷积层，其中有6层分别通过了卷积（或者最后一层的平均池化）用于预测，得到了一个的输出，随后通过极大值抑制（NMS）获得最终的结果 。图中网络用于检测的特征图有个，大小依次为，， ， ，，；这些特征图每个单元所对应的预置先验框分别有,,,,,个，所以网络共预测了个边界框 ， （进行极大值抑制前）输出的维度为。未完待续参考：chenxp2311的CSDN博客：论文阅读：SSD: Single Shot MultiBox Detector小小将的知乎专栏：目标检测|SSD原理与实现littleYii的CSDN博客：目标检测论文阅读：YOLOv1-YOLOv3（一）作者的其他

    推荐阅读


    上一篇：ansys冲击分析,怎么用ansys做冲击分析

    下一篇：网络拓扑分析工具,ppi网络拓扑分析