小田学CV掉头发之路——目标检测算法之SSD

SSD（Single-shot detectors）

• SSD是一个没有全连接层的网络
• 借鉴了VGG-16的网络模型
• 将VGG-16的第一个和第二个全连接层替换为卷积层
• 去掉了最后一个全连接层
• 加上了4组卷积层（conv8,conv9,conv10,conv11）
• Conv4的输出特征图用于检测最小的物体
• Conv11的输出特征图用于检测最大的物体

Single-shot V.S. R-CNN家族

• R-CNN家族基于候选区域做预测，预测分为两步：
  • 使用Selective Search 或者 RPN 选出候选区域，候选区域的数量不大，减少后续的计算量
  • 使用分类器和回归器在候选区域上面做分类和边界预测
• Single-shot家族不做候选区域选择，直接对所有可能的区域预测类别和边界

优点

• 比Faster R-CNN更快，比YOLO更准确
• 根据预定义的anchor，使用卷积层的输出，预测anchor对应区域包含的物体类别，边界位置和大小
• 使用不同的卷积层输出预测不同尺寸的物体，为不同的长宽比的物体做单独做预测
• 端到端的训练

什么是目标识别

• 分类：所有类别的概率
• 定位：4个值（中心位置，x，y，宽w，高h）
• 需要为每一个位置的预测（4 + 总的类别数）个值
• 每一个预测器预测一个值，那么对应每次一预测，需要（4 + 总的类别数）个预测器

网络结构

把每一组卷积层的输出都做一次预测

使用卷积做预测

标注的真实边界框与anchor配对

loss损失函数

选择anchor的大小

Smin = 0.1 就是卷积层输出像素大小的0.1

选择anchor的宽高比

在每一个特征图的每一个像素点上，选择多个宽高比、

确定anchor的中心位置

使用Hard negative mining生成负样本

产生负样本的方式：所有没有与标注边界框匹配的anchor对应的区域都是负样本

负样本的数量非常大（大于2000），大大超过正样本的量，会造成数据不平衡，可以使用Hard negative mining选择负样本：

• 选择被误认为正样本的负样本中概率值大的那些样本
• 使得正负样本的比率为3:1左右

数据增强

Atrous Convolution（Dilated Convolution）带洞卷积

卷积层 + 全连接层预测类别

卷积层 + 卷积层预测类别

卷积层 + 全连接层预测物体中心位置和高宽

卷积层 + 卷积层预测物体中心位置和高宽

边框的预测使用相对值

Smooth L1 Loss

结合L1的优势（随着x的值增大，梯度的增长是恒定的），L2的优势（当x特别小的时候，梯度迅速减小，减少震荡

定位的损失函数使用smooth L1 loss来衡量（预测的边界框与anchor的相对值）与[预测的边界框与anchor的相对值]的误差

根据预测的相对值，求预测的绝对值

预测层的滤波器数量

• 预测层的宽和高，等于输入特征图的宽高
• 对应特征图的每一个像素点，需要预测4个包含位置信息的值，加上c个包含类别概率的值，c为总的类别数量（包含背景类别）
• 每一个卷积核为3 x 3 x p 的tensor，其中p为输入特征图的通道数量
• 如果输入的特征图设定为k个anchor boxes，对于m x n像素的特征图，需**k x m x n x (c + 4)**个卷积核

分类损失函数

总的loss

SSD总结

• 多个类别同时定位
• 使用多个卷积层的输出特征图为不同的尺度目标做检测
• 使用的Anchor越丰富，效果越好