SSD feature map 选择解析

 
 

  
  

   
   

    
    

    
    
SSD feature map 选择解析

    
    

    
    
针对不同的物体大小（Object Scales），传统的方法将图像转化成不同的大小，分别处理然后把结果综合。

这里ssd从不同的卷积层利用featuremap，可以达到同样的效果

生成预测的方法

如下图所示：

    
    
ssd-feature map.png
最左侧是选取的神经网络中的一个“图像”层

每个层做3个处理：

（1）生成loc预测，厚度4 x box

（2）生成类别预测，厚度21(类别) x box

（3）生成priorbox，这里面有个box大小范围、宽长比(2 3)等等
    
    
prior_box_param {
    min_size: 276.0
    max_size: 330.0
    aspect_ratio: 2
    aspect_ratio: 3
    flip: true
    clip: true
    variance: 0.1
    variance: 0.1
    variance: 0.2
    variance: 0.2
  }

    
    
ssd实例说明
（1）基本网络
    
    
Layer name
"图像"规格
input
3x300x300
conv1_1
64x300x300
conv1_2
64x300x300
pool_1
64x150x150
conv2_1
128x150x150
conv2_2
128x150x150
pool_2
128x75x75
conv3_1
256x75x75
conv3_2
256x75x75
conv3_3
256x75x75
pool_3
256x38x38
conv4_1
512x38x38
conv4_2
512x38x38
conv4_3
512x38x38
pool_4
5121919
conv5_1
512x19x19
conv5_2
512x19x19
conv5_3
512x19x19
-----------
VGG昏割线
fc6(convolution kernel dilation)
1024x19x19
fc7
1024x19x19
conv6_1
256x19x19
conv6_2
512x10x10
conv7_1
128x10x10
conv7_2(10-3+1*2)/2+1
256x5x5
conv8_1
128x5x5
conv8_2
256x3x3
pool6
25611
    
    
选取提取特征的层
    
    
Layer name
"图像"规格
特征生成
特征说明
conv4_3
512x38x38
mbox-loc conv
38x38x12(=3x4)
 
mbox-conf conv
38x38x63(=3x21)
 
prior-box
box min:30
fc7
1024x19x19
mbox-loc conv
19x19x24(=6x4)
 
mbox-conf conv
19x19x126(=6x21)
 
prior-box
box min:60 max:114
conv6_2
512x10x10
mbox-loc conv
10x10x24(=6x4)
 
mbox-conf conv
10x10x126(=6x21)
 
prior-box
box min:114 max:168
conv7_2
256x5x5
mbox-loc conv
5x5x24(=6x4)
 
mbox-conf conv
5x5x126(=6x21)
 
prior-box
box min:168 max:222
conv8_2
256x3x3
mbox-loc conv
3x3x24(=6x4)
 
mbox-conf conv
3x3x126(=6x21)
 
prior-box
box min:222 max:276
pool_6
256x1x1
mbox-loc conv
1x1x24(=6x4)
 
mbox-conf conv
1x1x126(=6x21)
 
prior-box
box min:276 max:330
    
    

     
     

      
      
 
        
      
     
     
     
     

      
      loc-conf.png
     
     
    
    
    
    
所以对一张图一共提供：
38x38x3+(19x19+10x10+5x5+3x3+1x1)x6=7308个detection
每个detection包括4个值表示位置和21个值表示每个类的概率
    
    
为了实现ssd，原生的caffe是不行的
要定义新层：
Normalize
Permute
MultiBoxLoss等
一篇定义新层的方法如下所示：
http://blog.csdn.net/kuaitoukid/article/details/41865803
    
    
设计feature map##
    
    
已知一个神经网络，选特定层，再后面加：
    
    
layer {
  name: "conv6_2_mbox_loc"
  type: "Convolution"
  bottom: "conv6_2"
  top: "conv6_2_mbox_loc"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 24/////////////////////////////////////////////////////////////////////n*4
    pad: 1/////////////////////////////////////////////////////////////////////这样feature size由所选层长宽决定
    kernel_size: 3
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "conv6_2_mbox_loc_perm"
  type: "Permute"
  bottom: "conv6_2_mbox_loc"
  top: "conv6_2_mbox_loc_perm"
  permute_param {
    order: 0
    order: 2
    order: 3
    order: 1
  }
}
layer {
  name: "conv6_2_mbox_loc_flat"
  type: "Flatten"
  bottom: "conv6_2_mbox_loc_perm"
  top: "conv6_2_mbox_loc_flat"
  flatten_param {
    axis: 1
  }
}
layer {
  name: "conv6_2_mbox_conf"
  type: "Convolution"
  bottom: "conv6_2"
  top: "conv6_2_mbox_conf"
  param {
    lr_mult: 1
    decay_mult: 1
  }
  param {
    lr_mult: 2
    decay_mult: 0
  }
  convolution_param {
    num_output: 126/////////////////////////////////////////////////////////////////////n*种类
    pad: 1/////////////////////////////////////////////////////////////////////这样feature size由所选层长宽决定
    kernel_size: 3
    stride: 1
    weight_filler {
      type: "xavier"
    }
    bias_filler {
      type: "constant"
      value: 0
    }
  }
}
layer {
  name: "conv6_2_mbox_conf_perm"
  type: "Permute"
  bottom: "conv6_2_mbox_conf"
  top: "conv6_2_mbox_conf_perm"
  permute_param {
    order: 0
    order: 2
    order: 3
    order: 1
  }
}
layer {
  name: "conv6_2_mbox_conf_flat"
  type: "Flatten"
  bottom: "conv6_2_mbox_conf_perm"
  top: "conv6_2_mbox_conf_flat"
  flatten_param {
    axis: 1
  }
}
layer {
  name: "conv6_2_mbox_priorbox"
  type: "PriorBox"
  bottom: "conv6_2"
  bottom: "data"
  top: "conv6_2_mbox_priorbox"
  prior_box_param {
    min_size: 114.0 /////////////////////////////////////////////////////////////////////适配图像
    max_size: 168.0
    aspect_ratio: 2
    aspect_ratio: 3
    flip: true
    clip: true
    variance: 0.1
    variance: 0.1
    variance: 0.2
    variance: 0.2
  }
}
   
   
  
  
 
 
作者：陈继科
链接：https://www.jianshu.com/p/3a378b1db08d
來源：简书
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。