原作者：Wei Liu1, Dragomir Anguelov2等 笔记整理：ganyongdong 2020.10.6
如有错误或者不清楚之处，欢迎指正交流，如需转载请注明出处
论文：https://arxiv.org/abs/1512.02325
代码：https://github.com/weiliu89/caffe/tree/ssd 推荐->https://github.com/lufficc/SSD.git
参考：https://zhuanlan.zhihu.com/p/79854543 https://zhuanlan.zhihu.com/p/65484308
摘要
- 设置默认框(default box)，类似于anchor box，具有不同的尺寸和宽高比。
- 联合多种分辨率下的特征图来检测不同尺寸的object，而不是直接对图像resize。
- 一阶段目标检测方法，实现了简单的端到端训练。
- 实验结果显示：在VOC2007，300x300输入，TitanX情况下，mAP=74.3%，FPS=59
网络结构
整个网络是由三大部分组成：
- VGG Backbone
- Extra Layers
- Multi-box Layers
<img src="../image/ssd网络结构.png" width = "800" alt="ssd网络结构" align=center />
把vgg16后面3个全连接层替换成卷积层，用3x3卷积提取不同尺寸的特征图，在不同尺寸的特征图进行预测，之后用非极大值抑制得到结果。
默认框(default box)
在每个特征图的单元格的中心设置一系列尺度和大小不同的初始框，这些初始框都会反向映射到原图的某一个位置，如果某个初始框的位置正好和真实目标框的位置重叠度很高，那么就通过损失函数预测这个初始框的类别，同时对这些初始框的形状进行微调，以使其符合我们标记的真实目标框。
和yolo的anchor不同的是，ssd将其应用于几个不同分辨率的特征图，在多个特征图上使用不同形状的默认框。
ssd先验框.png
多尺度特征图
在backbone网络末端，替换成了卷积层，这些卷积层尺寸逐渐缩小，并允许网络在多个尺度上预测。
训练过程的匹配策略(默认框和真实标签框关联匹配)
将默认框与所有的真实标签框配对，只要两者之间的雅可比重叠值（jaccard overlap）大于某个阈值（比如 0.5）
损失函数
损失函数由位置损失
和分类置信度损失
的加权和成
：第i个默认框和第p类的第j个真实标签框相匹配的指示器，大于重叠阈值为1，小于重叠阈值为0
其中：
：已经匹配好的默认框的个数（如果N=0，就设置当前损失为0）
：预测框和默认框之间的偏移
：真实标签框和默认框之间的偏移
其中：
：默认框
选择默认框的尺寸和宽高比
对选择默认框有作者给出了一套推荐公式，但是针对不同数据集还是不同，如何最优是一个开放性的问题。
其中，是0.2，
是0.9。意味着最底层是0.2，最高层是0.9，期间所有大小按规律递增。
设定5种宽高比 ，则计算每个默认框的长度与宽度：
对于长宽比为1的，另外增加一个默认框，，所以特征图每个位置有6个默认框。
正负样本平衡(难例挖掘)
没有使用所有的负样本，而是先把负样本根据置信度损失进行从大到小排序，然后为每个默认框只选择分值最高的那些样本，这样做的目的是使得正负样本的比例不超过1:3。这样还可以使得优化更快，训练更平稳。
数据增强
对每个图像随机采取以下策略之一进行采样：
- 使用整张原始输入图像
- 采样一个片段，使得与目标物体的最小的雅可比重叠为0.1,0.3,0.5,0.7,0.9之一。
- 随机采样一个部分
每个采样部分的大小为原图的[0.1,1]，长宽比在1/2和2之间。如果真实标签框的中心位于采样部分内，则保留重叠部分。在上述采样步骤之后，将每个采样片大小调整为固定大小，并以0.5的概率进行水平翻转，还有对图片做一些光度扭曲的操作。
预测的时候
对图像提取不同尺寸的特征图，每个特征图平铺分布着默认框，然后为每个default box生成每个类别的得分和box的偏移量，得到输出空间，用非极大值抑制得到检测结果。
网友评论