SSD系列目标检测算法

1.原版SSD

 

2.tinyDSOD

结合DenseNet和深度可分离卷积，提出了Depthwise dense block (DDB) ；

结合FPN和深度可分离卷积，提出了D-FPN；

结合提出的Depthwise dense block (DDB)和D-FPN，提出Tiny-DSOD。

3.RefineDet

Two Stage 的精度优势

二阶段的分类：二步法的第一步在分类时，正负样本是极不平衡的，导致分类器训练比较困难，这也是一步法效果不如二步法的原因之一，也是focal loss的motivation。而第二步在分类时，由于第一步滤掉了绝大部分的负样本，送给第二步分类的proposal中，正负样本比例已经比较平衡了，所以第二步分类中不存在正负样本极度不平衡的问题。即二步法可以在很大程度上，缓和正负样本极度不平衡的分类问题。
二阶段的回归：二步法中，第一步会先对初始候选框进行校正，然后把校正过的候选框送给第二步，作为第二步校正的初始候选框，再让第二步进一步校正。
二阶段的特征：在二步法中，第一步和第二步法，除了共享的特征外，他们都有自己独有的特征，专注于自身的任务。具体来说，这两个步骤独有的特征，分别处理着不同难度的任务，如第一步中的特征，专注于处理二分类任务（区分前景和背景）和粗略的回归问题；第二步的特征，专注于处理多分类任务和精确的回归问题
特征校准：在二步法中，有一个很重要的RoIPooling扣特征的操作，它把候选区域对应的特征抠出来，达到了特征校准的目的，而一步法中，特征是对不齐的。

这个是RefineDet的检测框架。该框架由两个模块组成，即上面的Anchor Refinement Module（ARM）和下面的Object Detection Module（ODM），它俩是由Transfer Connection Block（TCB）连接。  

 • 在这个框架中，ARM模块专注于二分类任务，为后续ODM模块过滤掉大量简单的负样本；同时进行初级的边框校正，为后续的ODM模块提供更好的边框回归起点。ARM模块模拟的是二步法中第一个步骤，如Faster R-CNN的RPN。  

 •ODM模块把ARM优化过的anchor作为输入，专注于多分类任务和进一步的边框校正。它模拟的是二步法中的第二个步骤，如Faster R-CNN的Fast R-CNN。    

• 其中ODM模块没有使用类似逐候选区域RoIPooling的耗时操作，而是直接通过TCB连接，转换ARM的特征，并融合高层的特征，以得到感受野丰富、细节充足、内容抽象的特征，用于进一步的分类和回归。因此RefineDet属于一步法，但是具备了二步法的二阶段分类、二阶段回归、二阶段特征这3个优势。

关于RefineDet是否为单阶段

二步法之所以精度比较高，是因为它有一个逐区域操作的第二步，这个操作非常有效果，但也比较耗时，而RefineDet在没有用逐区域操作的情况下，获得了同等的效果。因此我们认为，区分一步法和二步法的关键点：是否有逐区域的操作。

速度和SSD相近，精度明显更高，精度更高没什么好说的，速度在多了下面一部分卷积层和反卷积层的情况下没有明显下降，作者分析有两点原因：

1. 我们使用了较少的anchor，如512尺度下，我们总共有1.6W个框，而SSD有2.5W个框。我们使用较少anchor也能达到高精度的原因是二阶段回归。虽然我们总共预设了4个尺度（32，,64，128，256,）和3个比例（0.5，1，2），但是经过第一阶段的回归后，预设的anchor被极大的丰富了，因此用于第二阶段回归的anchor，具备着丰富的尺度和比例。    

2. 第2个原因是，由于显存限制，我们只在基础网络的基础上，新加了很少的卷积层，并只选了4个卷积层作为检测层。如果增加更多卷积层，并选择更多检测层，效果应该还能得到进一步提升。

 

参考文献：

1. https://www.cnblogs.com/hellcat/p/10357220.html