SSD论文浅析

Single Shot MultiBox Detectordeepsystems

背景

        因为YOLO V1带来的快速的检测速度，而准确率却远不如faster-rcnn，而且前面博文所说，YOLO V1只在一个grid cell中预测一种class，并且只在最后一层的feature map进行box的预测，使得在大小尺寸上难以兼顾到。

        本文中提出的SSD，很重要的一点就是将之前基础的网络中的feature map和之后的多尺度feature map一起进行prior boxes的选取，提高了boxes对尺寸的要求。文章中对于prior boxes的选择与faster-rcnn中的anchor技术比较类似。

        可以说是 anchor+YOLO的产物了。

网络结构

论文中的网络结构采用的是VGG-16-Atrous，使得conv6（FC6）处的尺寸为19*19（看源码可以理解，dilate=True），这里分别采用两组3*3的卷积（SAME卷积）对各层的feature map进行处理。类似于YOLO的方法。

拿conv4_3举例（以下的尺寸都是以此为例）

    第一组：实现localization的regression（x,y,w,h）4个参数，则共需要3*3*512的卷积核4*default boxes个，可能要问default boxes是什么鬼东西

        default boxes：对应卷积层尺寸38*38，每一个像素对应产生default boxes个box

如上图 对于8*8和4*4的来说，default boxes=4

这就好办了，我们为了得到regression，卷积出38*38*（4*default boxes）的结果。

第二组：实现每一类的confidence的计算，加入数据集共前景C类，则需要有（C+1）个confidence。又每一个像素default boxes，则可知需要3*3*512的卷积核（C+1）*default boxes个，好了，我们得到了38*38*（（C+1）*default boxes）的结果。

实验中将第一组和第二组的结果进行concat，得到38*38*（（4+（C+1））*default boxes）的卷积结果

    default box不同scale和aspect ratio的选择策略

     

Sk*300（初始的尺寸）表示的是第k层feature map取的scale大小，每一层feature map有不同的scale，同一层的又有不同的aspect ratio，基本做到了大小尺寸的覆盖了。

每一层所取得default boxes不一样。

自此，我们得到了38*38*4 + 19*19*6 + 10*10*6 + 5*5*6