目标检测概述-下篇之SSD

SSD（ Single Shot MultiBox Detector）

SSD 论文地址：https://arxiv.org/abs/1512.02325
SSD 论文中使用 VGG16 提取特征图。再使用 Conv4_3 层检测对象，是经典的ones stage网络。网络结构：

算法步骤

• 输入一幅图片，让图片经过卷积神经网络（CNN）提取特征，并生成 feature map
• 抽取其中六层的feature map，(多尺度)，然后再 feature map 的每个点上生成 default box
• 将生成的所有 default box 都集合起来，全部丢到 NMS（极大值抑制）中，输出筛选后的 default box，并输出

SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制（论文中称为Defalut Box），使用全图各个位置的多尺度区域进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster-RCNN一样比较精准，SSD的核心是在不同尺度的特征特征图上采用卷积核来预测一系列Default Bounding Boxes的类别、坐标偏移，SSD核心设计主要有下面三点：

一、多尺度

SSD算法中使用到了conv4_3，c，conv8_2，conv7_2，conv8_2，conv9_2，conv10_2，conv11_2这些大小不同的feature maps，其目的是为了能够准确的检测到不同尺度的物体，因为在低层的feature map,感受野比较小，高层的感受野比较大，在不同的feature map进行卷积，可以达到多尺度的目的。

在较大尺度的特征图（a）上匹配较小的目标，在较深层的特征图（b）上匹配较大的目标，

二、用卷积层代替全连接层进行预测

SSD 不使用全连接层。 它使用小型卷积滤波器计算位置和类别分数。 提取特征图后，SSD 对每个单元应用 3×3 卷积滤波器进行预测。 （这些滤波器计算结果就像常规的 CNN 过滤器一样。）每个滤波器输出 25 个通道：每个类的 21 个分数加上一个边界框。

三、设置先验框

default boxes（Prior Box）类似于RPN当中的滑动窗口生成的候选框，SSD中也是对特征图中的每一个像素生成若干个框。

name	Out_size	prior_box_name	Total_num
conv4_3	38x38	4	5776
conv5_2	19x19	6	2166
conv7_2	10x10	6	600
conv9_2	5x5	6	150
conv10_2	3x3	4	36
conv11_2	1x1	4	4
			8732

先验框相当于faster rcnn里的anchors，预设一些box，网络根据box，通过分类和回归给出被检测到物体的类别和位置。每个window都会被分类，并回归到一个更准的位置和尺寸上。
论文中对conv4_3，conv10_2，conv11用4个default boxes，其他三个设置6个default boxes。对于default boxes的数量（prior_box_name）以及尺寸设置计算根据下表：

图片来源:SSD算法理论

训练与预测

输入->输出->结果与ground truth标记样本回归损失计算->反向传播, 更新权值
先将prior box与ground truth box做匹配进行标记正负样本,每次并不训练8732张计算好的default boxes, 先进行置信度筛选，并且训练指定的正样本和负样本, 如下规则：
正样本:
匹配与GT（标记值-ground truth）最大IOU的 default box 为正样本，对于任一ground truth IOU 大于0.5也设为正样本。

图片截取原论文

负样本:
对于confidence loss 越大，导致损失越大，选择排在前面的值为负样本，在训练时, default boxes按照正负样本控制positive：negative=1：3

损失计算
$$L(x,c,l,g)=\frac{1}{N}(L_{conf}(x,c)+\alpha L_{loc}(x,l,g)$$

$$L_{\text{conf }}(x,c)=-\sum _{i\in Pos}^N{x}_{ij}^p\log \left({\hat{c}}_i^p\right)-\sum _{i\in Neg}\log \left({\hat{c}}_i^0\right)\text{ where }{\hat{c}}_i^p=\frac{\exp \left(c_i^p\right)}{{\sum }_p\exp \left(c_i^p\right)}$$

• N是match到GT（Ground Truth）的prior box数量
• ${\hat{c}}_i^p$ 为预测的第 $i$ 个 default box对应GT box的类别概率 $\mathrm{P}$
• x i j p = { 0 , 1 } x_{i j}^{p}=\{0,1\} xijp​={0,1} 为第 $i$ 个default box匹配到的第 $\mathrm{j}$ 个 GT box(类别是 $\mathrm{P}$ )

参考文献：
SSD: Single Shot MultiBox Detector
SSD object detection: Single Shot MultiBox Detector for real-time processing
目标检测|SSD原理与实现
深度学习 – SSD 算法流程详解