目标检测SSD

 

1.SSD简介

1.1.直观理解

    SSD模型与Faster R-CNN中的RPN以及YOLO v2都非常像，因为都是直接在卷积层上预测边框，都使用了anchor box，没有连接层。SSD模型感觉更像是YOLO v2的改进版，YOLO v2是在最后一层特征图上预测，而SSD是在多个不同层次的特征图上预测。低层特征图分辨率高，包含更多的细节，能检测小物体。高层特征图分辨率低，但语义强，能检测大物体。因此SSD比YOLO v2更能检测小物体。

    个人理解，YOLO v2 + FPN = SSD。但其实并非这样，FPN是如下图中的(d)，而SSD采用的是下图中的(c)，它比FPN少了特征融合的箭头。而且，YOLO v2中的一些方法，SSD也并未采用，比如对GT box聚类得到初始anchor box。但不过不考虑细节，仅从宏观上理解SSD，大概可以理解为：YOLO v2 + (c) = SSD。

 

1.2.优点

（1）比YOLO要快，并且精度和Faster R-CNN不相上下

（2）在特征图上用小卷积核来预测一系列初始bounding box类别得分和位置偏移。（其实就是说在卷积层上就能够预测，卷积层上只有卷积核带有参数，而卷积核的参数与全连接层相比，是少很多的。所以用词“小卷积核”）

（3）为了提高预测精度，SSD在不同层次的特征图上设置不同的scale，然后再用不同aspect ratio的bounding box来检测物体。（一个层次的特征图只有一个scale，但有多个aspect ratio。每个层次设定的aspect ratio个数不一定相同，分辨率高的aspect ratio多，反之则少。）

（4）能够实现端到端。

 

 

2.SSD网络结构

2.1.结构图

    SSD的网络结构如下，在经过VGG-16的特征提取之后，每经过一个卷积层，就将所得的特征图送去目标检测。 数一数，总共有6张特征图被用于目标检测。

 

2.2.anchor box的scale和aspect ratio

   特征图的size逐渐地变小，并且低层特征图分辨率高，包含更多的细节，能检测小物体。高层特征图分辨率低，但语义强，能检测大物体。根据FPN的思想，可以只为每个层次的特征图只设定一种scale，低层次的特征图scale小，高层次的scale大，这样才能够使得低层次特征图检测小物体，高层次特征图检测大物体，如下图的猫和狗。因为多个层次的scale就能够组合成不同的scale了（RPN为特征图设置多个scale，是因为它只有一个特征图用于目标检测）。一个层次的特征图有aspect ratio，但每个层次设定的aspect ratio个数不一定相同，分辨率高的aspect ratio多，反之则少（观察到通道数逐渐变小）。

 

2.3.通道数

    通道数的多少侧面反映出了anchor box的多少。一个anchor box首先需要预测4个相对于default的偏置值，然后需要预测c个数表示该box属于种类ci的置信度（可得出是使用softmax）。因此一个anchor box需要4+c个数，假如有k个anchor box，那么就需要k*(c+4)个数字，也就对应k*(c+4)个通道。

 

 

3.训练

3.1.数据集的挑选

    正负样本框的设定：阈值设为0.5，与GT box的IoU大于0.5的为正样本框，否则为负样本框。

    正负样本框的比例：因为负样本框总是比正样本框多很多，不可能把全部的负样本框都用于训练。规定负:正至多为3:1。而且负样本框的挑选要选那些与GT box的IoU最小的。

 

3.2.损失函数

    如公式(1)，损失函数由location部分和confidence部分组成。其中N是正样本的个数，如果正样本个数为0，那么loss就为0。alpha是用于调节location部分和confidence部分的权重。

    location部分的损失如公式(2)，可以看得出来这部分跟Faster R-CNN是一样的。

    confidence部分的损失如公式(3)，看得出来是采用softmax。