计算机视觉之目标检测入门3

目标检测中的one-stage和two-stage

• two-stage：Fast-RCNN
  将检测问题划分为两个阶段：产生候选区+对候选区进行分类
  特点：错误率低，漏识别率低，但速度较慢，不能满足实时检测场景。
• one-stage：YOLO，SSD
  不需要产生候选区，直接产生物体的类别和位置坐标值
  特点：更快的检测速度
  

SSD（single shot multibox detector）

1. SSD结构
SSD是2016年提出的one-stage目标检测算法，主网络结构为VGG16.

VGG-16部分尺寸较大，感受野较小，用于识别较小的目标，后面的特征层尺寸较小，感受野较大，用于识别较大的目标。每个用于目标检测的特征图上会生成4个或者6个预选框，例如：VGG-16的特征层会产生4个预选框。
值得注意的是：在VGG-16的最后一层卷积池化后尺寸没有发生变换，这是为了防止特征尺寸大小难以满足小物体的识别：采用步长为1的池化+rate=6的空洞卷积操作，使得尺寸没有发生变化19*19。


特征图中每个点会产生一个预测值，每个预测值中涵盖两类数据：预测框的4个参数+预测目标的类别

2. 特征金字塔

3. SSD损失函数loss
SSD目标损失函数包含两部分：预选框与目标类别的confidence loss+相应的位置回归损失
match策略

• 训练时，真实框（ground truth box）与预