SSD的网络分为两部分，前半部分是用于图像分类的标准网络（去掉了分类相关的层），后面的网络是用于检测的多尺度特征映射层，从而达到检测不同大小的目标。SSD在保持YOLO高速的同时效果也提升很多，主要是借鉴了Faster R-CNN中的Anchor机制，取消了提取proposal的过程，同时使用了多尺度的feature map。
SSD vs YOLO
SSD的做法非常直接，既然提取proposal之后仍然要做分类和边界回归，那么不如直接认为feature map上的每一个位置都可能是建议区域，这样一来就可以不用提取proposal了。另外，提取proposal时Anchor机制还可以继续使用，只不过defaut box的尺度多样性体现在不同尺度的feature map上。
SSD
在多尺度的feature map上做检测可以同时兼顾大目标和小目标。上图 (a) 表示带有两个Ground Truth边框的输入图片，图 (b) 和 (c) 分别表示8×8网格和4×4网格，显然前者适合检测小的目标，比如图片中的猫，后者适合检测大的目标，比如图片中的狗。在每个格子上有一系列固定大小的Box，这些在SSD称为Default Box，用来框定目标物体的位置，在训练的时候Ground Truth会赋予给某个固定的Box，比如图(b)中的蓝框和图(c)中的红框。
网友评论