SSD针对小物体检测效果不好的现象的思考

SSD针对小物体检测效果不好的现象的思考

最近在用ssd-caffe进行物体检测，但是在使用的过程中，发现ssd对小物体的检测效果很不好。
阅读了为什么SSD(Single Shot MultiBox Detector)对小目标的检测效果不好？这篇blog，感觉还是体会很深，所以就该blog进行以下探讨~~~~

一、 问题的出现

首先，为什么会出现SSD针对小物体检测效果不好的现象？
答：
SSD-CAFFE网络框架采用的是VGG16作为backbone，而ssd采样了conv4_3,fc7…conv9_2等六个特征层作为有效特征层。而越靠前的有效特征层的作用就是检测越小的物体，就比如说conv4_3就是检测最小物体的有效特征层。所以说，conv4_3包含的语义信息就是小物体的图片信息，但是同时就会出现一个很大的问题，靠前的特征层由于卷积次数较少，导致其相对于靠后的有效特征层来说包含的语义信息较少。小物体的特征信息收集不全面，当然预测效果也就会不好。
还有一点，一般来说，ssd喂进网络都会先将图片resize到一定尺寸，例如ssd_300x300,ssd_512x512，同时小物体的尺寸也会随着减少，甚至一些很小的物体进行压缩之后就会失真，所以说也会在一定程度上破坏预测的小物体的特征，从而影响对小物体的预测效果。

二、尝试解决

1.添加FPN层

yolo对小物体检测效果较好的原因，很大程序就在于内部采用了FPN模块，前面阐述了越靠前的有效特征层包含的语义信息就越不匮乏。采用FPN模块，将靠后的有效特征层进行上采样，然后与其前一层的有效特征层进行channals维度叠加，然后利用卷积将调整channals的维度。同理，基于上述进行fpn的有效特征层和前前一个特征层进行fpn，以此类推…最后得到的conv4_3就是经过层层上采样得到的有效特征层。该特征层包含了靠后所有的有效特征层的语义信息，从而就避免了因为卷积次数不够所导致的语义信息匮乏现象

---

2.降低PriorBox最小最大尺寸

layer {
  name: "conv4_3_norm_mbox_priorbox"
  type: "PriorBox"
  bottom: "conv4_3_norm"
  bottom: "data"
  top: "conv4_3_norm_mbox_priorbox"
  prior_box_param {
    min_size: 51.2000007629
    max_size: 102.400001526
    aspect_ratio: 2.0
    flip: true
    clip: false
    variance: 0.10000000149
    variance: 0.10000000149
    variance: 0.20000000298
    variance: 0.20000000298
    step: 8.0
    offset: 0.5
  }
}

上述是基于conv4_3生成的预选框层，min_size和max_size是该有效特征层所生成的预选框的最大最小尺寸，只要减少其尺寸，就能够提高对小物体的预测效果。

---

3.增加有效特征层size
VGG中在conv4_3前面进行了三次卷积激励池化，每一次池化都进行了一次下采样。可以通过降低池化次数，提高卷积次数，来保证有效特征层的size的提高。一旦有效特征层的size变大，那么有效特征层中每一个像素点所代表的原图尺寸就随着变小，从而提高对小物体的预测效果。

ps：个人见解，欢迎指教~