SSD目标检测算法

SSD: Single Shot MultiBox Detector
作者: Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu, Alexander C. Berg
单位:University of Washington, Allen Institute for AI , Facebook AI Research
发表会议及时间:ECCV 2016

一 SSD的历史

• 从YOLO中继承了将detection转化为regression的思路，一次完成目标定位与分类
• 基于Faster RCNN中的Anchor，提出了相似的Priorbox
• 加入基于特征金字塔的检测方式，即在不同大小的feature map上预测目标
  

二 关于论文

2.1 论文的摘要核心

• 作者提出了一种仅需要单个深度神经网络的目标检测方法 — SSD
• SSD网络在不同分辨率的特征图进行预测，可以处理不同大小的物体
• SSD比需要物体候选框的方法简单，因为它完全地去除了proposal生成和随后的特征再筛选的过程
• 在Nvidia Titan X 上300X300的输入图像，SSD在VOC2017测试上的mAP是74.3%，速度是59FPS，对于512的输入，SSD的mAP是76.9%

2.2 网络结构

三 设计理念

• 采用多尺度特征图
• 采用卷积进行检测
• 设置先验框
  

3.1 多尺度特征图

• 用大特征图来检测小目标
  • 因为特征图越大，所提取到的特征轮廓越明显，但是感受野比较小，所以适合检测小目标。
• 用小的特征图来检测大目标

3.2 卷积检测

• SSD直接采用卷积对不同的特征图来进行提取检测结果
• 直接使用卷积输出作为 边框的回归和类别的预测

---

假设某个用于检测的特征图是 5X5X256 anchor box = 3 ，则一共生成 5X5X3=75个锚框
那么用于定位的卷积层输出是5X5X12（4X3=12，每4个通道表示一个锚框的坐标（x,y,w,h））
用于分类的卷积层输出是 5X5X63（21X3，每21个通道表示一个锚框的类别，voc分类有21个类别）

–

---

3.3 先验框以及设置

• 每个特征图设置的4个锚框由格点中心（cx,cy）和4组不同的宽高构成
• 这4组不同的宽高可以由min_size,max_size和不同的aspect ratio给出。图中一共可以给出8X8X4个锚框用于回归物体的坐标。
  
  在特征图的每个位置预测K个BB，对于每个BB，预测C个类别的得分，以及相对于Default box的4个偏移量，这样总共需要（C+4）*K个预测器，则在mXn的特征图三将会产生（C+4）XkXmXn个预测值

3.4 模型细节

1. VGG16是在ILSVRC CLS-LOC数据集预训练
2. VGG16全链接层fc6和fc7转换成3X3卷积层Conv6和1X1卷积层Conv7
3. 池化池由stride=2的2X2变成stride=1的3X3
4. 移除dropout和fc8，新增一系列卷积层

3.5 特征图

其用到的特征图大小分别是38，19，10，5，3，1

3.6 先验框匹配

• 正样本：通常称与GT的IOU大于某一阈值的先验框
• 负样本：若一个先验框没有与任何GT进行匹配，只能与背景匹配
  为了保证正负样本尽量平衡，SSD采用了hard negative mining，就是对负样本进行抽样，抽样时就按照置信度误差（预测背景的置信度越小，误差越大）进行降序排列，选区误差加大的top-k作为训练的负样本，以保证正负样本比例接近1:3

3.7 损失函数

定位误差与分类误差的加权和

定位损失

位置误差采用Smooth L1函数定义

3.8 预测过程

• 对于每个预测框，首选根据类别置信度确定其类别（置信度最大者）与置信度值，并过滤掉属于背景的预测框
• 然后根据置信度阈值过滤掉阈值较低的预测框。对于留下的预测框进行解码，根据先验框得到其真实的位置参数（解码后一般还需要做clip，防止预测框位置超出图片）
• 解码后，一般需要根据置信度进行降序排列，然后仅保留top-k个预测框
• 最后就是进行NMS算法，过滤掉那些重叠度较大的预测框

比较其他网络

为何比Faster RCNN和YOLO快？
原因1:首先SSD是一个单阶段网络，只需要一个阶段就可以输出结果，而FasterRCNN是一个双阶段网络
原因2:FasterRCNN不光需要训练RPN，而且需要训练Fast RCNN，而SSD其实相当于一个优化了RPN网络，不需要进行后面的检测，仅仅向前推力就会花费很多时间
原因3:YOLO网络虽然比SSD网络看起来简单，但是YOLO网络中含有大量的全链接，和FC层相比，Conv层具有更少的参数，同时YOLO获得候选框的操作比较费时
原因4：SSD算法中，调整了VGG网络的架构，将其中的FC层替换为Conv层，这一点会大大的提升速度，因为VGG中的FC层都需要大量的运算，有大量的参数，需要向前推理
原因5:使用了atrous算法，论文中明确提出该算法能够提速20%