无人驾驶感知篇之目标检测（五）

       上一篇文章主要讲述了YOLO算法。图像中主流的目标检测算法分为两类：（1 ) 两步法； (2) —步法。 一步法中有一种代表算法是SSD，这篇主要讲讲什么是SSD算法。

1.什么是SSD算法

       SSD算法是将YOLO与Faster R-CNN相结合，同时兼顾了良好的时效性和准确度。与YOLO模型相似，SSD模型也是一种端到端的单阶段目标检测网络。它是图像上的每一个位置点转化为多个默认框的组合。这种端到端的检测模型的核心思想是基于默认框进行分类预测，并对预测框本身进行回归操作，将定位问题转化为回归问题。

2.SSD算法模型

        SSD 没有两阶段目标检测模型生成区域建议框的过程，定位也由卷积来完成，实现了端对端的目标检测。下图为常见的SSD算法模型。模型选择 VGG-16作为基础网络来提取图像特征，将 VGG-16 中的FC6和 FC7两个全连接层改为卷积层，Conv6 和 Conv7 两个卷积层的位置就是 FC6 和 FC7 的位置，之后又去掉 Dropout 层和 FC8全连接层追加了另外四组卷积，完成整个特征提取的网络。特征提取网络搭建完成后选取图中标出的六个特征图用于检测，每个特征图的尺度依次减小各不相同，这一点与高斯金字塔很相似。每一层特征图都分别用两个并行的大小为 3*3 的卷积核进行卷积，一 个输出分类置信度，数据集中有多少类目标就设置多少个置信度，也就设计几个卷积 核参与卷积运算，如：VOC 数据集包含20类，加上背景类目标需要预设置 21个置信度，也就是需要 21 个卷积核；另一个输出先验框的坐标信息，包括中心点的坐标， 以及预设框的长和宽，卷积核的数量与设置的先验框数量有关，先验框的数量乘以先 验框的输出维度就是卷积核的数量。由于六个特征图 分别进行预测，检测结果会存在重复，最后通过 NMS 筛选得到最终结果。

 3.SSD算法优缺点

      优点：模型运行速度可以达 到实时检测的要求，检测精度可以和两阶段目标检测媲美，而且训练相对简单不需要 两阶段目标检测的中间权重存储过程，能实现端对端的目标检测。

     缺点：对小目检测效果不佳，有一定的局限性。