SSD算法学习记录

SSD算法学习记录

一、SSD算法理论介绍

​ 在faster rcnn中，采用的是two_stage，即先使用rpn结构选取一定数量的anchors，再对选取的anchors进行分类和计算边界框回归参数。这样的优点是模型检测的精度较高（因为这里对边界框相当于进行了两次回归的操作），但是由于两次的边界框回归，使得模型的检测速度慢。在SSD算法中，采用one_stage的方法，即一步就可以完成对目标的分类以及计算边界框回归参数，使得检测速度有所提高。

在目标检测中，一般先使用特征提取网络作为网络的backbone，接着将提取到的特征图输入至后续的网络中做后续的处理。对于SSD算法，论文中提到采用的是以VGG16作为backbone。简单介绍一下VGG16模型。

https://zhuanlan.zhihu.com/p/42233779

---

下图显示了vgg模型的网络架构以及每层的特征信息。

---

在SSD论文中，使用如下的网络结构

在VGG16-SSD网络中，backbone部分一直延续到conv5_3，并且将上图中橙色部分的maxpooling由2×2、步距为2，改为了3×3、步距为1。接着又添加一些列的额外添加层，构成了整个SSD网络模型（输入图像尺寸需调整为300×300的大小），整个流程用类似于上面的图可以表示为：

这里选取conv4_3、FC7(conv7)、conv8_2、conv9_2、conv10_2、conv11_2共6个预测特征层，在上图中已经用红色标注。需要注意的是，在conv10_2和conv11_2中，padding=0。

SSD模型每个预测特征层上采用3×3大小的卷积，在预测特征层的每个ceil的位置生成k（4或6）个default box，以3×3大小的feature map为例：

对于每个预测特征层，在每个点生成不同数量的default box，具体如下：

特征层	预测特征层大小	default_box大小	default_box数量
conv4_3	38×38	21{1/2 1 2}；sqrt(21×45){1}	38×38×4
FC7	19×19	45{1/3 1/2 1 2 3}；sqrt(45×99){1}	19×19×6
conv8_2	10×10	99{1/3 1/2 1 2 3}；sqrt(99×153){1}	10×10×6
conv9_2	5×5	153{1/3 1/2 1 2 3}；sqrt(153×207){1}	5×5×6
conv10_2	3×3	207{1/2 1 2}；sqrt(207×261){1}	3×3×4
conv11_2	1×1	261{1/2 1 2}；sqrt(261×315){1}	1×1×4

{}前的数字表示default box的尺寸，{}中的数字表示该尺寸对应的比例。由表格可知，在6个预测特征层上共生成的default box的数量为：

38×38×4+19×19×6+10×10×6+5×5×6+3×3×4+1×1×4 = 8732

对于每个default box，会生成c个类别概率以及4个坐标偏移量

关于正负样本的选择：

正样本：（1）与ground_truth的IOU值最大的default box

​ （2）与ground_truth的IOU值大于0.5

负样本：负样本与正样本的比例为3:1（Hard Negtive Mining，选出负样本中得分排在前面的，即把难判断的选出来进行训练）

关于损失的计算：
$$L(x,c,l,g)=\frac{1}{N}[L_{conf}(x,c)+\alpha L_{loc}(x,l,g)]$$
式中，N表示匹配到的正样本的个数，α=1
$$\begin{gathered} L_{conf}(x,c)=-\sum _{i\in pos}^N{x}_{ij}^P\log ({\hat{c}}_i^P)-\sum _{i\in neg}\log ({\hat{c}}_i^P) \\ {\hat{c}}_i^P= \end{gathered}$$