SSD: Single Shot MultiBox Detector 论文笔记

在YOLO和SSD算法提出之前，深度学习目标检测算法的代表为R-CNN系列算法，其中Faster R-CNN算法速度最快，效果也最好，但是这些算法都是基于proposal的，以Faster R-CNN为例，其先利用RPN网络提取可能包含目标的候选区域proposal,然后基于Fast R-CNN网络对真正的目标区域进行识别和定位调整。这些方法虽然精度较高，但因为计算量大，很难做到实时检测，即使是Faster R-CNN，其处理速度也仅为每秒7帧。为此，论文提出一种单一架构的SSD算法，其不需要提取目标候选区域，而是直接在具有不同分辨率的特征映射图上预测多个长宽比的box，然后根据分类器对各个box的打分来识别最终的目标区域并进行定位调整。SSD将所有的计算过程都封装在一起，结构更为简单，速度非常快，精度也很高。

SSD的网络结构如图所示

其有以下几个需要注意的点：
（1）基于多尺度特征映射图的预测
为了适应不同的目标尺度，SSD在VGG16的基础架构后增加了4个卷积层，其尺寸依次减小，并基于6个具有不同尺度的特征映射层分别对目标进行检测。
需要注意的一点是，SSD是通过增加卷积层来构建多尺度特征图的，也有很多论文是直接基于VGG16的不同卷积层来做预测的，因为较低层的分辨率较高，对小尺度目标的检测能力更强。
（2）对于特征映射图上的每一个位置，使用3*3*p的卷积核进行预测，p为特征映射图的通道数。要注意这里是使用卷积层而不是全连接层做预测。
（3）对于特征映射图上的每一个位置，SSD预测一组具有不同长宽比的box，根据分类器对box的打分和目标与box的相对位置关系来识别目标区域并对实际目标位置进行回归。注意，目标与box的相对位置与目标所属的类别无关，故对每个位置，若预测K个box，那么对于C种目标，卷积核的个数为K(C+4)个。