深度学习完全攻略！（连载十二：SSD网络理解）

在介绍SSD的整个网络之前，我们先介绍几个名词

Single Shot：目标定位和分类是在同一个前向传播网络中完成的。

MultiBox：这是由Szegedy等人开发的一种边界盒回归技术。

Detector：网络是一个对象检测器，它也可以对检测到的对象进行分类。

 

从编程的角度来看：

前向传播：图像输入进去，经过VGG-16网络，生成特征图，然后再卷积，再生成特征图，把所有这些特征图利用起来，结合预测框，去检测目标。

反向传播：把前向传播的结果，跟真实的目标位置，类别结果做比较，从而求解各个参数。

 

网络结构

我们先看SSD的整个网络结构图。

从上图中可以看到，SSD是建立在VGG-16体系结构之上，但放弃了全连接层。VGG-16之所以被用作基本网络，是因为它在图像分类任务中具有很强的性能，并且在迁移学习上有助于提高问题解决效果。与原始VGG完全连接层不同，SSD添加了一组辅助卷积层（从conv6开始），从而能够在多个尺度上提取特征，并逐步减小每个后续层的输入大小。

图中重要数据说明

Classifier: conv: 3 * 3 * ( 4 * ( classes + 4 ) )和Classifier: conv: 3 * 3 * ( 6 * ( classes + 4 ) )是什么意思。用原文中的图来说明。

classes 表示预测类别的个数，classes +4中4表示预测框的四个坐标，6 * ( classes + 4 )中6表示特征图上，每个格子设置的预测框个数，3*3表示特征图分块的大小。由于整个特征图用的卷积核参数是一样的，所以对于一个特征图，就有6 * ( classes + 4 )个卷积核，对应3 * 3 * ( 6 * ( classes + 4 ) )个卷积输出。

SSD的本质就是在不同尺度的图像上，采用不同的窗口去检测目标，只不过加了一个GPU加速，使得这种窗口检测变快了。有了这样的知识理解，那理解SSD甚至其他任何检测用神经网络就容易多了。

特征图

特征图就是图像经过卷积之后的结果。下图显示图像的特征图：

从图上可以看到，对于不同的卷积层，图像特征的表现方式是不一样的，那么在不同层做特征图的检测，就为多尺度的目标检测提供了可能。

 

负样本处理

在训练过程中，由于大多数边界框的IoU较低，因此会被认为是负面训练样本。在训练集中加入一些负样本，是因为网络还需要学习并明确告知什么是不正确的检测。

 

损失函数

SSD的损失函数由两部分组成，

置信度损失：测量网络对计算出的边界框对象类别的置信度，分类交叉熵被用来计算这种损失。

位置损失：测量网络的预测边界框与训练集的真实边界框之间的距离，这里使用L2范数。

在不深入研究数学的情况下，总体的损失函数定义为：

multibox_loss = confidence_loss + alpha * location_loss

α项帮助平衡位置损失的贡献。和一般的深度学习一样，我们的目标是找到最能降低损失函数的参数值，从而使我们的预测更接近实际情况。

 

更多关于SSD的知识点：

点一：更多的默认框会使得检测结果更精确，但是会影响速度。

解释：可以理解为，检测窗口越多，那么覆盖到目标的概率也就会越大

点二：由于检测器在多个分辨率的特征上运行，在多个层上有多个盒子也会产生更好的检测效果

解释：跟上面的解释类似

点三：80%的时间都花在了VGG-16的基础网络上：这意味着，使用一个更快、同样精确的网络，SSD的性能可能会更好

解释：笔者会在后续更新mobilenet的相关知识，并在移动端实际应用，敬请关注。

点三：SSD混淆了具有相似类别的对象（例如动物）。

解释：很可能是因为，相似的类别共享了相同的位置信息。

点四：SSD在较小的对象上会产生较差的性能。

解释：这是显而易见的，因为默认框并不能覆盖到小目标，而且目标较小时，通过层层卷积之后，所保留的信息也就所剩无几了。

 

关注"麻瓜智能"获取更多信息.