单阶多层检测器SSD（Single Shot MultiBox Detector)的Pytorch实现

SSD(Single Shot MultiBox Detector) 算法借鉴了Faster RCNN与YOLO的思想，在一阶段网络的基础上使用了固定框进行区域生成，并利用了多层的特征信息，在速度与检测精度上都有了一定的提升。

1. SSD算法流程

 SSD算法流程如上图，输入图像首先经过VGG的基础网络，在此之上又增加了几个卷积层，然后利用3×3的卷积核在6个大小与深浅不同的特征层上进行预测，得到候选框的分类与回归预测值，最后直接预测出结果，或者求得网络的损失。

SSD的算法思想，主要可以分为4个方面：

1. 数据增强：SSD在数据部分做了充分的数据增强工作，包括光学变换与几何变换等，极大限度地扩充了数据集的丰富性，从而有效提升了模型的检测精度。
2. 网络骨架：SSD在原始VGGNet的基础上，进一步延伸了4个卷积模块，最深处的特征图大小为1×1，这些特征图具有不同的尺度和感受野，可以负责检测不同尺度的物体。
3. Default Box与多层特征图：与Faster RCNN类似，SSD利用了固定大小与宽高的Default Box作为区域生成，但与Faster RCNN不同的是，SSD不是只在一个特征图上设立较小的Default Box来检测小物体，在深度特征图上设立较大的Default Box来负责检测大物体。
4. 正、负样本的选取与损失计算：利用3×3的卷积在6个特征图上进行特征的提取，并分为分类和回归两个分支，代表所有预测框的预测值，随后进行预测框与真实框的匹配，利用IoU筛选出正样本与负样本，最终计算出分类损失与回归损失。

由整个过程可以看出 ，SSD只进行了一次框的预测和损失计算，属于一届网络。由于利用了多个特征图，SSD实现了较好的检测精度。

2.数据预处理

Pytorch对于数据的加载和处理提供了一些标准类，可以很灵活地实现各种功能。SSD对于数据的预处理，尤其是数据增强做了很丰富的处理，也实现了非常优越的性能，因此将这部分单独拿出来细讲。

2.1 加载Pascal VOC 2011数据集

PyTorch家在数据集主要有3步：

1. 继承Dataset类，重写__len__( )和__getitem__( )函数并实例化，这样就可以方便地进行数据集的迭代；
2. 为了满足实际训练要求、增强数据的丰富性，还要选择合适的数据增强方法，这部分内容将在后面细说；
3. 继承DataLoader类，添加batch和多线程等功能。

在训练脚本中，加载数据集的代码如下：

# 利用VOCDetection重写了Dataset类，并传入了所需的数据变换transform
dataset = VOCDetection(root=args.dataset_root,
                           transform=SSDAugmentation(cfg['min_dim'],
                                                     MEANS))

# 利用DataLoader实现了批量处理、打乱、多线程加载等功能
data_loader = data.DataLoader(dataset, args.batch_size,
                              num_workers=args.num_workers,
                              shuffle=True, collate_fn=detection_collate,
                              pin_memory=True)