实战深度学习目标检测：RCNN （6）

深度学习目标检测：SSD

（1）采用多尺度特征图用于检测
所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标，如图4所示，8x8的特征图可以划分更多的单元，但是其每个单元的先验框尺度比较小。

（2）采用卷积进行检测
与Yolo最后采用全连接层不同，SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状
为m* n * p 的特征图，只需要采用3* 3 * p 这样比较小的卷积核得到检测值。
（3）设置先验框
在Yolo中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真实目标的
形状是多变的，Yolo需要在训练过程中自适应目标的形状。而SSD借鉴了Faster R-CNN中anchor
的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这
些先验框为基准的，在一定程度上减少训练难度。一般情况下，每个单元会设置多个先验框，其尺
度和长宽比存在差异，如图5所示，可以看到每个单元使用了4个不同的先验框，图片中猫和狗分别
采用最适合它们形状的先验框来进行训练，后面会详细讲解训练过程中的先验框匹配原则。

对于每个单元的每个先验框，其都输出一套独立的检测值，对应一个边界框，主要分为两个部分。
第一部分是各个类别的置信度或者评分，值得注意的是SSD将背景也当做了一个特殊的类别，如果
检测目标共有c 个类别，SSD其实需要预测c+1 个置信度值，其中第一个置信度指的是不含目标
或者属于背景的评分。后面当我们说c 个类别置信度时，请记住里面包含背景那个特殊的类别，即
真实的检测类别只有c-1 个。在预测过程中，置信度最高的那个类别就是边界框所属的类别，特别
地，当第一个置信度值最高时，表示边界框中并不包含目标。第二部分就是边界框的location，包
含4个值(cx, cy, w, h) ，分别表示边界框的中心坐标以及宽高。但是真实预测值其实只是边界框相
对于先验框的转换值：

SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。SSD的网络结构如图5所示。上面是SSD模型，下面是Yolo模型，可以明显看到SSD利
用了多尺度的特征图做检测。模型的输入图片大小是300300。
SSD采用VGG16做基础模型，首先VGG16是在ILSVRC CLS-LOC数据集预训练。将VGG16的全连接层fc6和fc7转换成33 卷积层conv6和1*1 卷积层conv7，同时将池化层pool5由原来的变成（猜想是不想reduce特征图大小），为了配合这种变化，采用了一种膨胀卷积神经网络，其实就是conv6采用扩展卷积或带孔卷积（Dilation Conv），其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，其使用扩张率(dilation rate)参数，来表示扩张的大小，如下图6所示，(a)是普通的3 3卷积，其视野就是3 3 ，(b)是扩张率为1，此时视野变成77 ，©扩张率为3时，视野扩大为1515 ，但是视野的特征更稀疏了。Conv6采用3 *3大小但dilation rate=6的扩展卷积。然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做finetuing。