In today’s scenario, the fastest algorithm which uses a single layer of convolutional network to detect the objects from the image is single shot multi-box detector (SSD) algorithm. This paper studies object detection techniques to detect objects in real time on any device running the proposed model in any environment. In this paper, we have increased the classification accuracy of detecting objects by improving the SSD algorithm while keeping the speed constant. These improvements have been done in their convolutional layers, by using depth-wise separable convolution along with spatial separable convolutions generally called multilayer convolutional neural networks. The proposed method uses these multilayer convolutional neural networks to develop a system model which consists of multilayers to classify the given objects into any of the defined classes. The schemes then use multiple images and detect the objects from these images, labeling them with their respective class label. To speed up the computational performance, the proposed algorithm is applied along with the multilayer convolutional neural network which uses a larger number of default boxes and results in more accurate detection. The accuracy in detecting the objects is checked by different parameters such as loss function, frames per second (FPS), mean average precision (mAP), and aspect ratio. Experimental results confirm that our proposed improved SSD algorithm has high accuracy.

在当今的场景中，使用单层卷积网络从图像中检测对象的最快算法是单发多盒检测器（SSD）算法。本文研究了对象检测技术，可在任何环境中在运行该模型的任何设备上实时检测对象。在本文中，我们通过改进SSD算法，同时保持速度恒定，提高了检测对象的分类精度。通过使用深度方向可分离卷积以及通常称为多层卷积神经网络的空间可分离卷积，可以在其卷积层中完成这些改进。所提出的方法使用这些多层卷积神经网络来开发系统模型，该系统模型由多层组成，以将给定对象分类为任何定义的类。然后，方案使用多个图像并从这些图像中检测对象，并用它们各自的类标签对其进行标记。为了加快计算性能，将所提出的算法与多层卷积神经网络一起使用，该多层卷积神经网络使用大量的默认框，从而可以实现更准确的检测。检测对象的准确性由不同的参数检查，例如损失函数，每秒帧数（FPS），平均平均精度（mAP）和纵横比。实验结果证明，我们提出的改进的SSD算法具有较高的精度。然后，方案使用多个图像并从这些图像中检测对象，并用它们各自的类标签对其进行标记。为了加快计算性能，将所提出的算法与多层卷积神经网络一起使用，该多层卷积神经网络使用大量的默认框，从而可以实现更准确的检测。检测对象的准确性由不同的参数检查，例如损失函数，每秒帧数（FPS），平均平均精度（mAP）和纵横比。实验结果证明，我们提出的改进的SSD算法具有较高的精度。然后，方案使用多个图像并从这些图像中检测对象，并用它们各自的类标签对其进行标记。为了加快计算性能，将所提出的算法与多层卷积神经网络一起使用，该多层卷积神经网络使用大量的默认框，从而可以实现更准确的检测。检测对象的准确性由不同的参数检查，例如损失函数，每秒帧数（FPS），平均平均精度（mAP）和纵横比。实验结果证明，我们提出的改进的SSD算法具有较高的精度。该算法与多层卷积神经网络一起使用，后者使用了大量的默认框，从而可以更准确地进行检测。检测对象的准确性由不同的参数检查，例如损失函数，每秒帧数（FPS），平均平均精度（mAP）和纵横比。实验结果证明，我们提出的改进的SSD算法具有较高的精度。该算法与多层卷积神经网络一起使用，后者使用了大量的默认框，从而可以更准确地进行检测。检测对象的准确性由不同的参数检查，例如损失函数，每秒帧数（FPS），平均平均精度（mAP）和纵横比。实验结果证明，我们提出的改进的SSD算法具有较高的精度。