SSD算法理论

SSD:Single Shot MultiBox Detector

很经典的one-stage

 Faster-RCNN难以检测小目标，是因为高维特征会丢失一些细节，而小目标就是靠细节检测出来的，SSD实现低维到高维的多层检测，不会丢失小目标信息

Faster-RCNN检测速度慢是因为进行了两次检测，第一次是在RPN结构中生成proposal，然后与特征图进行映射，第二次是全连接层，进行分类和预测框的回归

得到6个预测特征层，我们会在这6个预测特征层上分别去预测不同大小的目标

比如说在第一层当中我们会预测相对较小的目标，而随着我们的层数不断加深，会检测相对较大的目标。

 8*8特征矩阵与目标较小的猫进行匹配

4*4特征矩阵与目标较大的狗进行匹配

在不同的特征图上面去分别匹配预测不同尺度的目标

Default Box的scale（尺度）以及aspect（比例）的设定

当比例为1的时候，在每一个特征层上面都会额外添加一个default Box,这个额外的scale

Sk=根号下Sk*Sk+1

 

 

Predictor(预测器)的实现（如何在6个特征矩阵上进行预测）

 对于m*n*p的特征层，使用3*3*p的卷积核进行预测

 对于特征图上面的每一个位置，会生成k个default Box,对每个default box分别去计算C个类别分数，以及4个坐标偏移量。那我们就需要(c+4)*k个卷积核来进行处理

 SSD算法中正负样本的选取问题：

正样本：1.对于每一个GTBOX去匹配跟他Iou值最大的default box

               2.对于任意的default box只要与任何一个GTbox的Iou值大于0.5

负样本：一般来说，除了正样本，剩下的都是负样本。但是一张图片只有几个到十几个正样本，这样会造成正负样本严重失衡的情况。计算它的最大confidence loss,去选取排在前面的负样本，选取的负样本数量是正样本的三倍。