SSD算法原理介绍，包含算法结构、Loss计算、默认框计算几个方面

一、SSD算法的介绍

        1、SSD算法：

                是One-stage目标检测算法中的一种，不需要region proposal阶段，可以直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，具有检测速度快的特点。

        2、SSD算法结构：

                ① 主干网络：是由VGG16中部分卷积层组成，并将最后２层的conv6和conv7换成全连接层，用来进行图像分类

                   

                ② SSD的检测框架由２个部分组成，一部分是前面的卷积神经网络，经典模型中采用的是ＶＧＧ１６，用于对图像特征的初步提取，第二部分是位于后端的多尺度特征检测网络，用于对前端网络产生的特征层进行不同尺度条件下的特征提取，利用多尺度特征检测网络当中的浅层特征图尺寸较大的特点，尺寸较小的物体。SSD针对Conv4_3、FC7、Conv8_2、Conv9_2、Conv10_2和Conv11_2特征层的每个单元按照不同长宽比分别提取４～６个默认框，最终获取8732个默认框。

     

         3、Loss计算

              

         4、默认框计算规则

                不同层的特征图在卷积神经网络中感受域大小也不同，此处采用不同位置的默认框对应不同的区域和目标尺寸。设有ｍ 个特征图用来预测，则每个特征图中默认框的尺寸为：

                    

                 式（7）中：Ｓmin为网络结构中最底层的默认框尺度，值为0.2；Ｓmax为最高层的默认框尺度，值为0.95。使用不同的宽高比取值ａr ∈ {1，2，3，1/2，1/3}，则计算默认框的宽、高分别为：

                         

                 设置默认框的中心点为    ，其中，i,j∈［0,｜fk｜］,｜fk｜是第k个特征图的尺寸。提取不同尺寸和宽高比的所有默认框的特征并进行结果预测，并整合结果，解决不同尺度的目标检测问题。