论文理解：SSD

作者认为，当前的目标检测系统虽然准确，但是对于嵌入式系统甚至高端硬件来说仍需要大量集中的计算，对于即时应用仍然太慢了。于是在本文中提出了SSD（Single Shot MultiBox Detector）。

SSD架构如下：

如图（a）SSD在训练期间仅需要每个对象的输入图像和对应的ground truth box(真实标签框)。卷积处理时，我们在具有不同尺度（例如（b）和（c）中的8×8和4×4）的若干特征图中的每个位置处评估不同横宽比的小（例如4个）默认框集合。对于每个默认框，我们预测对所有对象类别（（c 1，c2，...，cp））的形状偏移和置信度。在训练时，我们首先将这些默认框匹配到ground truth box。例如，两个默认框匹配到猫和狗，这些框为正，其余视为负。模型损失是位置损失（例如Smooth L1）和置信损失（例如Softmax）之间的加权和。

对于ground truth box解释https://www.zhihu.com/question/22464082

SSD基于前馈卷积网络，其产生固定大小的边界框集合和框中对象类别的分数，接着是非最大化抑制步骤以产生最终检测。网络浅层基于高质量图像分类（在任何分类层之前截断网络）的标准网络，作者称其为“基础网络”。接着在后面添加辅助结构，产生具有以下关键特征的检测：

多尺度特征图检测：将卷积特征层添加到截断的基础网络的末尾。这些层尺寸逐渐减小，得到多个尺度检测的预测值。检测的卷积模型对于每个特征层是不同的（图中选取了VGG-16作为例子，并与YOLO进行了对比）：

检测卷积预测器

每个添加的特征层（或可选的在基础网络中的现有特征层）可以使用一组卷积滤波器产生固定的检测预测集合。这些在上图上部已经标注出。对于具有p个通道的大小为m×n的特征层，使用3×3×p卷积核卷积操作，产生类别的分数或相对于默认框的坐标偏移。在应用卷积核运算的m×n个位置中的每一处，产生一个输出值。边界框偏移输出值是相对于默认框测量，默认框位置则相对于特征图（参见YOLO 的架构，中间使用全连接层而不是用于该步骤的卷积滤波器）。

默认框和宽高比

将一组默认边界框与顶层网络每个特征图单元关联。默认框对特征图作卷积运算，使得每个框实例相对于其对应单元格的位置是固定的。在每个特征映射单元中，我们预测相对于单元格中的默认框形状的偏移，以及每个框中实例的每类score。具体来说，对于在给定位置的k个框中每个框，需要计算c类score和相对于原始默认框的4个偏移量。这使得在特征图中的每个位置需要总共（c+4）k个滤波器，对于m×n特征图产生（c+4）kmn个输出。这里默认框(default box)类似于Faster R-CNN中使用的anchor boxes，但我们将其应用于不同分辨率的特征图中（在Faster RCNN中 anchor box只用在最后一个卷积层）。在多个特征图中使用不同的默认框形状，可以有效地离散可能的输出框形状空间。

一开始训练时，与multibox相似，将每个ground truth box和与之拥有最好jaccard 重叠率的default box进行匹配，后来不同于multibox，将default box与任何jaccard重叠率高于阈值（比如0.5）的ground box 进行匹配。这简化了学习问题，允许网络为多个重叠的default box预测高的score。

这里的jaccard overlapping一开始没搞懂啥意思，查了一下发现竟然是交并比IoU。。。。。。。

关于损失函数：

定义 $x_{ij}^{p}$ ={1，0}为将第i个default box和类别p第j个ground box匹配的指标，定义损失函数如下：

N为匹配成功的default box。如果N=0，则L设为0。

Localization loss是predicted box（l）和ground truth box（g）之间参数的Smooth L1 loss。与Faster RCNN相似，我们退回到对default bounding box（d）的中心（cx，cy）和宽（w）高（h）的弥补（这句话没看懂）。

Smooth L1 Loss解释https://blog.csdn.net/jningwei/article/details/78853669

confidence loss是对多重class confidence的softmax loss

通过交叉验证权重 $\alpha$ 设为1.

先前的工作显示使用低层的feature maps可以提升语义上的分割质量，因为较低层能捕捉到输入的更好的细节。类似地，添加从feature map上池化得到的global context 能帮助平滑分割结果。受这二者启发，低层和高层的feature map做检测。

关于default box的scales和aspect ratios的选择给出以下方法（假设用m层feature map做预测）：

$s_{min}=0.2$ 和 $s_{max}=0.9$ 分别代表最底层和最高层的scale。可以看到，从底层到高层scale逐层递增，呈等差数列。

至于宽高比 $a_{r}$ 给出了5种可能{1，2，3，1/2，1/3}，宽 $w_{k}^{a}=s_{k}\sqrt{a_{r}}$ ，高 $h_{k}^{a}=s_{k}/\sqrt{a_{r}}$ ，当宽高比=1时，额外添加了一个scale， $s{}'_{k}=\sqrt{s_{k}s_{k+1}}$ ，因此对于每个scale有6个default box。设置default box中心为（ $\frac{i+0.5}{\left | f_{k} \right |}$ , $\frac{j+0.5}{\left | f_{k} \right |}$ ）。 $\left | f_{k} \right |$ 是第k个特征图的大小，i，j $\epsilon$ [0， $\left | f_{k} \right |$ ）。实际工作时，default box的设置可以根据专门的数据集有所变化。如此的目的大致是，让default box覆盖各种大小和宽高比的物体。

通过各种大小和宽高比的default box，我们有物体的各种预测，比如在下图中，只有红框为狗的正样本，其余皆为狗的负样本

可想在匹配阶段时，大多数default box是负样本，对此选取最高confidence loss的几个default box，控制负样本与正样本比例为3：1。这样能加速优化，也更稳定。

具体训练结果就不在这里赘述了。。。

看了一些其他人的笔记觉得不错详情参考https://blog.csdn.net/u010167269/article/details/52563573

https://blog.csdn.net/mingshili/article/details/80036808#一one-stage-检测器和two-stage检测器

猜你喜欢