目标检测学习总结之SSD

  首先要明确SSD的motivation：要让目标检测任务又快又准。怎么快？那就是将two-stage改为one-stage。怎么准？尽可能多预测些box（当然这里也有trade-off，毕竟预测的box越多计算量就越大，越耗时）。针对这些，SSD的关键技术在于：

1. one-stage（相对于Faster RCNN）；
2. 采用anchor box机制（相对于YOLOv1）；
3. 采用多尺度特征图预测（相对于Faster RCNN和YOLOv1）。

采用anchor box机制，为要预测的box加入一些先验，可以使得模型更加鲁棒，降低出现不收敛的风险。anchor box机制相对来说可以在提出少量的box的基础上保证检测任务的准确率和召回率，结合anchor机制SSD需要预测8千多个box（Faster RCNN则需要预测2万3千多个box，更多的box意味着更多的计算，从而降低了实时性；YOLOv1只需要预测98个box，但是在MAP上表现一般）。
采用多尺度特征图，尽可能引入不同接收野的特征。这样尽管每个gird对应的anchor box都是相同的size，但是由于不同层特征图的接收野不同，所以相同的anchor在不同层对应的image实际区域也不同。总的来说，大尺度特征图（比如1919）用来检测小的target，而小尺度特征图（比如11）用来检测大的target。
其他还需要注意的点：

1. 匹配机制：首先，保证每个ground truth和一个anchor box匹配上（评判标准是最大的jaccard overlap）；然后，将jaccard overlap值大于0.5的anchor box与ground truth也匹配上。也就是说，对于每个ground truth，至少有一个anchor box能匹配上。
2. 损失函数分析：SSD的损失函数为，可见损失函数包含2项——置信误差和定位误差。定位误差公式是，可见定位误差只考虑了正样本（有object的anchor box）。置信误差公式是，其中，置信误差就是计算了正负样本的交叉熵，正样本考虑了粗分类误差（是否有object）和细分类误差（object具体类别），负样本只考虑了粗分类误差。
3. 对比下SSD和YOLO的区别注：SSD负样本采样机制——按照置信度误差（预测背景的置信度越小，误差越大）进行降序排列，选取误差的较大的top-k作为训练的负样本，以保证正负样本比例接近1:3（也就是每次选择最容易误判的负样本）。