SSD

一.Introduction

一句话概括：SSD就是关于类别的多尺度RPN网络

基本思路：

• 基础网络后接多层feature map
• 多层feature map分别对应不同尺度的固定anchor
• 回归所有anchor对应的class和bounding box

二.model

三，损失 

• 输入：300x300
• 经过VGG-16（只到conv4_3这一层）
• 经过几层卷积，得到多层尺寸逐渐减小的feature map
• 每层feature map分别做3x3卷积，每个feature map cell(又称slide window)对应k个类别和4个bounding box offset，同时对应原图中6（或4）个anchor(又称default box)
  • 38x38, 最后3x3, 1x1三个feature map的每个feature map cell只对应4个anchor，分别为宽高比: 1:1两种，1:2, 2:1两种，因此总共有 38 * 38 * 4 + 19 * 19 * 6 + 10 * 10 * 6 + 5 * 5 * 6 + 3 * 3 * 4 + 1 * 1 * 4 = 8732 个anchor
  • 其他feature map的feature map cell对应6个anchor，分别为宽高比: 1:1两种，1:2, 2:1两种，1:3， 3:1两种
  • 每层的feature map cell对应的anchor计算方法如下
  • 位置：假设当前feature map cell是位于第i行，第j列，则anchor的中心为 ((i+0.5)/|fk|,(j+0.5)/|fk|), fk是第k层feature map的size（比如38）
  • 缩放因子:
    
    其中smin为0.2，smax为0.9，m为添加的feature map的层数，缩放因子就是为不同feature map选择不同的大小的anchor，要求小的feature map对应的anchor尽量大，因为越小的feature map，其feature map cell的感受野就越大

  • anchor宽高：
    

    

    其中，ar∈{1,2,3,1/2,1/3}，可以理解为在缩放因子选择好anchor尺寸后，用ar来控制anchor形状，从而得到多尺度的各种anchor，当ar=1时，增加一种 sk=sqrt(sk-1sk+1)，于是每个feature map cell通常对应6种anchor。

• 网络的训练目标就是，回归各个anchor对应的类别和位置
•  

 

SSD损失函数分为两个部分：对应搜索框的位置loss（loc）和类别置信度loss（conf）。（搜索框指网络生成的网格）

定义 为第i个搜索框和对应的第j个ground truth box，相应的类别为p。目标函数定义为：

其中，N为匹配的搜索框。如果N=0，loss为零。为预测框和ground truth box 的Smooth L1 loss，值通过cross validation设置为1。

定义如下：

其中，为预测框，为ground truth。为补偿（regress to offsets）后的默认框（）的中心，为默认框的宽和高。

定义为多累别softmax loss，公式如下：

更为详细的字母说明如下：

i指代搜索框序号，j指代真实框序号，p指代类别序号，p=0表示背景，

中取1表示此时第i个搜索框和第j个类别框IOU大于阈值，此时真实框中对象类别为p。

cip表示第i个搜索框对应类别p的预测概率。

四.训练 

样本

• 正样本
  选择与bounding box jaccard overlap（两张图的交集/并集）大于0.5的anchor作为正样本(Jaccard index 就是IOU)

• 样本比例
  Hard negative mining：由于负样本很多，需要去掉一部分负样本，先整图经过网络，根据每个anchor的最高类置信度进行排序，选择置信度靠前的样本，这样筛选出来的负样本也会更难识别，并且最终正负样本比例大概是1:3

Loss

还是一如既往的location loss + classification loss，并为location loss添加了系数α（然而实际上α=1）进行平衡，并在batch维度进行平均

• x是xijp的集合xijp={1,0}，用于判断第i个anchor是否是第j个bounding box上的p类样本
• c是cip的集合，cip是第i个anchor预测为第p类的概率
• l是预测的bounding box集合
• g是ground true bounding box集合

其中定位loss与faster rcnn相同

这个式子里的k不是很明确，其实想表达不算背景0类的意思，且前景类只为match的类算location loss

分类loss就是很常用的softmax交叉熵了

核心的内容到这里就讲完了，其实跟YOLO和faster rcnn也很像，是一个用anchor box充当固定的proposal的rpn，并且用多尺度的anchor来适应多种尺度和形状的目标对象。

五。细节

在训练中还用到了data augmentation（数据增强/扩充），每张图片多是由下列三种方法之一随机采样而来

• 使用整图
• crop图片上的一部分，crop出来的min面积为0.1,0.3,0.5,0.7,0.9
• 完全随机地crop

然后这些图片会被resize到固定的大小，随机水平翻转，加入一些图像上的噪声，详情可以参考另一篇论文：

Some improvements on deep convolutional neural network based image classification

从切除实验中，可以看到data augmentaion是很重要的（从65.6到71.6）

这个表中还提到了atrous，其实是指空洞卷积，是图像分割（deeplab）领域首先提出的一个卷积层改进，主要是能让测试速度更快。具体可以参考 ICLR2015 Deeplab

从这个表中也可以看出多种形状的anchor可以提升准确率

 参考：https://www.cnblogs.com/hellocwh/p/8729260.html