SSD-单阶段目标检测模型

SSD

动机

继YOLOv1之后的one stage检测方法，想要解决的是小目标在Yolo单阶段中召回不足的问题，然后就有了SSD。

方法概要

• SSD使用了多尺度的feature进行最后的预测任务。具体来说，在浅层的，分辨率交高的featuremap和越往后越深的layer的featuremap中同时进行回归预测。他的预测也是anchor-based的，在每个featuremap中针对每个point产生ratio和scale不同的anchor，然后通过和GT物体计算IOU，通过IOU阈值为anchor分配要负责检出的物体。那么在不同size的featuremap中都会进行这样的逐点多框回归，其中这些框有正样本，有负样本。经过这样密集的多尺度预测后，最终把所有结果整合在一起。
  

• Loss的设计上，还是和双阶段的loss是一样的，所要预测的量是相对于anchor的相对值，不管是在xy还是在wh上，具体公式如下：
  

细节及注意事项

• 在为物体分配好正负样本的anchor后，在最后计算loss反传梯度时也有一定的hard mining策略，具体的，所有的anchor正负样本会进行置信度score的排序，然后通过score得分，帅选出得分较高的bbox进行学习，保证参与loss计算的正负样本的个数在1：3.
• 数据增广：用的还是比较朴素的aug方法，将原始图片缩小后进行检测，补充数据集中小目标物体的个数。

评价

• 整体上是规避了Yolov1的问题，方案就是密集回归撞大运，最后对小目标物体的检出量其实也不敢说就非常有保障，原因在于小目标的检出结果大多源自浅层featuremap的贡献，这样提取不充分的特征做回归难免会有问题。
• 每一个尺度的featuremap上的anchor们的size和ratio都需要人工指定，细调时比较靠经验。
• 其实在label assignment的时候也可以拿现在的眼光来看问题，把正负样本的分配考虑的再好一些。