SSD详解

论文地址：Single Shot MultiBox Detector
github :代码

SSD300 网络结构：

目标检测两大类：
two-stage: 产生稀疏的候选框，然后对候选框进行分类和回归。优点在于精准，但是速度欠缺。

one-stage:均匀在图片不同位置上进行密集抽样，抽样可以采用不同的尺度和宽高，然后提取特征进行分类和回归。优点是速度快，但是均匀密集采样的缺点是训练难，主要是因为正负样本分布不均衡（使用FocalLoss）。

多尺度 + 先验框（anchor）预测

MultiBox预测，提取不同尺度的特征图，大尺度的特征图（浅层特征）检测小物体，小尺度的特征图（深层特征）检测大物体。

不同尺度上先验框的分布是不一样的。如上图，大尺度的先验框负责预测小物体（猫），而小尺度的先验框负责预测大物体（狗）。

相对于yolo，SSD对每一个先验框输出一套独立的检测值。对于一个bounding box 输出两个部分：

1 、类别预测：c+1 个类别的置信度，多了一个背景类。第一置信度指是否含有目标或者说是背景的概率。当第一个置信度值最高时，表示是背景，表示bbox 并不包含目标。

2、bbox 回归：类似faster rcnn，

预测值：gA​=(dx​,dy​,dw​,dh​)

预测编码：
dx​=(xc​−axc​)/aw
dy​=(yc​−ayc​)/ah
dw​=log(w/aw)
dh​=log(h/ah)

希望网络学习到的参数能让预测值尽可能符合预测编码的过程，这样通过预测后解码得到预测值。那么就要在网络学习的过程中让预测编码尽可能接近真值编码。

先验框生成规则

1、以feature map上每个点的中点为中心，生成一些列同心的prior box
2、正方形prior box最小边长为和最大边长为：
min_size， sqrt(min_size * max_size)
3、设置 aspect ratio, 生成2个 anchor, 长宽为：
sqrt(aspect_ratio) * min_size
1/sqrt(aspect_ratio) * min_size

min_size 和 max_size 选取：
每个feature map对应prior box的min_size和max_size由以下公式决定：

m 为 feature map 的个数。如原文为 6 。s_min , s_max 为超参数。原文设定 s_min = 0.2, s_max = 0.9。例如 k = 2 时：

这个公式给出了每一层的预测的s_k。同时确保了下一层的min_size等于上一层的max_size。

SSD 缺点：

虽然采用了pyramdial feature hierarchy的思路，但是对小目标的recall依然一般，并没有达到碾压Faster RCNN的级别。作者认为，这是由于SSD使用conv4_3低级feature去检测小目标，而低级特征卷积层数少，存在特征提取不充分的问题。

SSD训练过程

1、loss

N 是匹配到GT的prior box 数量。SSD 中 confidence loss 是典型的softmax loss。

代表第i个prior box匹配到了第j个class为p类别的GT box；而location loss是典型的smooth L1 。

2、负责预测匹配策略：

groundtruth boxes 与 prior boxes 按照如下方式进行配对：

1、找到每一个gt box 有最大IOU的prior box。保证每一个gt box 与唯一一个prior box 对应。一定要有prior box 负责预测gt box，不能落下。
2、对于与任意一个gt box IOU都不是最大的prior box, 通过阈值决定是否匹配。对于IOU > 0.5 认为是positive，小于 0.5 的为negtive,这里没有ignore类。

3、Hard negative mining

一般情况下negative default boxes数量>>positive default boxes数量，直接训练会导致网络过于重视负样本，从而loss不稳定。所以需要采取

所以SSD在训练时会依据confidience score排序default box，挑选其中confidence高的box进行训练，使得：