SSD架构，你不来看看么？

前言总结

SSD骨架网络结构

• VGG16部分作为特征提取

SSD特征提取网络结构

• SD300 也叫 VGG16Extractor300
• 提取了6个特征张量

锚点框Anchor Boxes和选框预测

Anchor Box 为了实现特征图上的一个点能预测多个物体！

• Anchor Box的基础大小有7个
• 选框可有两个正方形，高宽2:1,1:2, 3:1 1:3 ⇒ 最多六个,最少4个

SSD骨架网络结构

• 结构采用VGG16的conv4和conv5

图引用自 《深入浅出PyTorch 从模型到源码》

SSD特征提取网络结构

1. 和VGG输入大小不一样，这次是$300\times 300$输入，VGG16是$224\times 224$输入
2. 最后的输出特征空间大小为$1\times 1$，有256张，也就是$256\times 1\times 1$

图引用自 《深入浅出PyTorch 从模型到源码》

3. VGG16Extractor300
   提取了六个特征层

conv4_3
conv7
conv8_2
conv9_2
conv10_2
conv11_2

锚点框Anchor Boxes和选框预测

• 六张特征图
• 七个Anchor Box 基础尺寸
  • 30, 60, 111, 162, 213, 265, 315
• 特征相对于原图的步长
  • 8, 16, 32, 64, 100, 300

如何根据特征图中的点计算原图中的坐标？

假设$(i,j)$为整数，也就是格子图中的左上角坐标, 那么原图中为
$$(stride\times (i+0.5),stride\times (j+0.5))$$

那知道了原图中对应的中心点坐标，如何知道对应原输入图像中的宽高呢？

😃

如此计算，也解释了为什么有7个基础尺寸！就是为了一个大正方形！

我们求到了输入原始图像中，真实框的大小和坐标(x,y,w,h), 然后和神经网络预测的框直接求误差？

不是的！我们要求误差！！但是是一个变换！！！

图引用自 《深入浅出PyTorch 从模型到源码》

其中 $(x^{\prime },y^{\prime },w^{\prime },h^{\prime })$是神经网络预测的框

物体选框和锚点框的匹配

我们知道，COCO数据集的标签框是$（x_1,y_1,w,h）$ 即左上角左边和宽高。
因此第一步:

• 坐标转换成两种：
  • 第一种坐标：$(x_c,y_c,w,h)$即中心坐标化
  • 第二种坐标：$(x_1,y_1,x_2,y_2)$即左上角和右下角坐标

匹配物体框和锚点框：

一个锚点框能且只能匹配一个目标框（IOU最大者）
一个目标框却可以匹配多个锚点框，然后计算$(g_x,g_y,g_w,g_h)$, 并分配标签。

损失函数

F.smooth_l1_loss
避免异常值影响
Huber Estimator
它其实就是k=1情况下的Huber Estimator!!