目標檢測演算法之SSD
作者：葉 虎
編輯：祝鑫泉
前言
目標檢測近年來已經取得了很重要的進展，主流的演算法主要分為兩個型別：（1）two-stage方法，如R-CNN系演算法，其主要思路是先通過啟發式方法（selective search）或者CNN網路（RPN)產生一系列稀疏的候選框，然後對這些候選框進行分類與迴歸，two-stage方法的優勢是準確度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均勻地在圖片的不同位置進行密集抽樣，抽樣時可以採用不同尺度和長寬比，然後利用CNN提取特徵後直接進行分類與迴歸，整個過程只需要一步，所以其優勢是速度快，但是均勻的密集取樣的一個重要缺點是訓練比較困難，這主要是因為正樣本與負樣本（背景）極其不均衡（參見Focal Loss，https://arxiv.org/abs/1708.02002），導致模型準確度稍低。不同演算法的效能如圖1所示，可以看到兩類方法在準確度和速度上的差異。
圖1 不同檢測演算法的效能對比
本文講解的是SSD演算法，其英文全名是Single Shot MultiBox Detector，名字取得不錯，Single shot指明瞭SSD演算法屬於one-stage方法，MultiBox指明瞭SSD是多框預測。在上一篇文章中我們已經講了Yolo演算法，從圖1也可以看到，SSD演算法在準確度和速度（除了SSD512）上都比Yolo要好很多。圖2給出了不同演算法的基本框架圖，對於Faster R-CNN，其先通過CNN得到候選框，然後再進行分類與迴歸，而Yolo與SSD可以一步到位完成檢測。相比Yolo，SSD採用CNN來直接進行檢測，而不是
像Yolo那樣在全連線層之後做檢測。其實採用卷積直接做檢測只是SSD相比Yolo的其中一個不同點，另外還有兩個重要的改變，一是SSD提取了不同尺度的特徵圖來做檢測，大尺度特徵圖（較靠前的特徵圖）可以用來檢測小物體，而小尺度特徵圖（較靠後的特徵圖）用來檢測大物體；二是SSD採用了不同尺度和長寬比的先驗框（Prior boxes, Default boxes，在Faster R-CNN中叫做錨，Anchors）。Yolo演算法缺點是難以檢測小目標，而且定位不準，但是這幾點重要改進使得SSD在一定程度上克服這些缺點。下面我們詳細講解SDD演算法的原理，並最後給出如何用TensorFlow實現SSD演算法。
圖2 不同演算法的基本框架圖
1
設計理念
SSD和Yolo一樣都是採用一個CNN網路來進行檢測，但是卻採用了多尺度的特徵圖，其基本架構如圖3所示。下面將SSD核心設計理念總結為以下三點：
圖3 SSD基本框架
（1）採用多尺度特徵圖用於檢測
所謂多尺度採用大小不同的特徵圖，CNN網路一般前面的特徵圖比較大，後面會逐漸採用stride=2的卷積或者pool來降低特徵圖大小，這正如圖3所示，一個比較大的特徵圖和一個比較小的特徵圖，它們都用來做檢測。這樣做的好處是比較大的特徵圖來用來檢測相對較小的目標，而小的特徵圖負責檢測大目標，如圖4所示，8x8的特徵圖可以劃分更多的單元，但是其每個單元的先驗框尺度比較小。
圖4 不同尺度的特徵圖
（2）採用卷積進行檢測
與Yolo最後採用全連線層不同，SSD直接採用卷積對不同的特徵圖來進行提取檢測結果。對於形狀為m*n*p,的特徵圖，只需要採用3*3*3的特徵圖，只需要採用。
（3）設定先驗框
在Yolo中，每個單元預測多個邊界框，但是其都是相對這個單元本身（正方塊），但是真實目標的形狀是多變的，Yolo需要在訓練過程中自適應目標的形狀。而SSD借鑑了Faster R-CNN中anchor的理念，每個單元設定尺度或者長寬比不同的先驗框，預測的邊界框（bounding boxes）是以這些先驗框為基準的，在一定程度上減少訓練難度。一般情況下，每個單元會設定多個先驗框，其尺度和長寬比存在差異，如圖5所示，可以看到每個單元使用了4個不同的先驗框，圖片中貓和狗分別採用最適合它們形狀的先驗框來進行訓練，後面會詳細講解訓練過程中的先驗框匹配原則。
圖5 SSD的先驗框
SSD的檢測值也與Yolo不太一樣。對於每個單元的每個先驗框，其都輸出一套獨立的檢測值，對應一個邊界框，主要分為兩個部分。第一部分是各個類別的置信度或者評分，值得注意的是SSD將背景也當做了一個特殊的類別，如果檢測目標共有C個類別，SSD其實需要預測C+1個置信度值，其中第一個置信度指的是不含目標或者屬於背景的評分。後面當我們說C個個類別置信度時，請記住裡面包含背景那個特殊的類別，即真實的檢測類別只有C-1個。在預測過程中，置信度最高的那個類別就是邊界框所屬的類別，特別地，當第一個置信度值最高時，表示邊界框中並不包含目標。第二部分就是邊界框的location，包含4個值（cx,cy,w,h），分別表示邊界框的中心座標以及寬高。但是真實預測值其實只是邊界框相對於先驗框的轉換值(paper裡面說是offset，但是覺得transformation更合適，參見R-CNN，https://arxiv.org/abs/1311.2524）。先驗框位置用
，表示，其對應邊界框用
表示，那麼邊界框的預測值l,其實是b相對於d的轉換值：
習慣上，我們稱上面這個過程為邊界框的編碼（encode），預測時，你需要反向這個過程，即進行解碼（decode），從預測值l中得到邊界框的真實位置b:
然而，在SSD的Caffe原始碼（https://github.com/weiliu89/caffe/tree/ssd）實現中還有trick，那就是設定variance超引數來調整檢測值，通過bool引數variance_encoded_in_target來控制兩種模式，當其為True時，表示variance被包含在預測值中，就是上面那種情況。但是如果是Fasle（大部分採用這種方式，訓練更容易？），就需要手動設定超引數variance，用來對l的4個值進行放縮，此時邊界框需要這樣解碼：
綜上所述，對於一個大小m*n的特徵圖，共有mn個單元，每個單元設定的先驗框數目記為k,那麼每個單元共需要（c+4）k個預測值，所有的單元共需要（c+4）kmn個預測值，由於SSD採用卷積做檢測，所以就需要（c+4）k個卷積核完成這個特徵圖的檢測過程。
2
網路結構
SSD採用VGG16作為基礎模型，然後在VGG16的基礎上新增了卷積層來獲得更多的特徵圖以用於檢測。SSD的網路結構如圖6所示。上面是SSD模型，下面是Yolo模型，可以明顯看到SSD利用了多尺度的特徵圖做檢測。模型的輸入圖片大小是300*300（還可以是512*512，其與前者網路結構沒有差別，只是最後新增一個卷積層，本文不再討論）。
圖5 SSD網路結構
採用VGG16做基礎模型，首先VGG16是在ILSVRC CLS-LOC資料集預訓練。然後借鑑了DeepLab-LargeFOV，連結https://export.arxiv.org/pdf/1606.00915，分別將VGG16的全連線層fc6和fc7轉換成3*3卷積層conv6和1*1卷積層conv7，同時將池化層pool5由原來的2*2-s2變成3*3-s1(猜想是不想reduce特徵圖大小),為了配合這種變化，採用了一種Atrous Algorithm，其實就是conv6採用擴展卷積或帶孔卷積（Dilation Conv，https://arxiv.org/abs/1511.07122），其在不增加引數與模型複雜度的條件下指數級擴大卷積的視野，其使用擴張率(dilation rate)引數，來表示擴張的大小，如下圖6所示，(a)是普通的3*3卷積，其視野就是3*3,，(b)是擴張率為2，此時視野變成7*7，(c)擴張率為4時，視野擴大為15*15，但是視野的特徵更稀疏了。Conv6採用3*3大小但dilation rate=6的擴展卷積。
圖6 擴展卷積
然後移除dropout層和fc8層，並新增一系列卷積層，在檢測資料集上做finetuing。
其中VGG16中的Conv4_3層將作為用於檢測的第一個特徵圖。conv4_3層特徵圖大小是38*38，但是該層比較靠前，其norm較大，所以在其後面增加了一個L2 Normalization層（參見ParseNet，https://arxiv.org/abs/1506.04579），以保證和後面的檢測層差異不是很大，這個和Batch Normalization層不太一樣，其僅僅是對每個畫素點在channle維度做歸一化，而Batch Normalization層是在[batch_size, width, height]三個維度上做歸一化。歸一化後一般設定一個可訓練的放縮變數gamma，使用TF可以這樣簡單實現：
# l2norm (not bacth norm, spatial normalization)
def l2norm(x, scale, trainable=True, scope="L2Normalization"):
n_channels = x.get_shape().as_list()[-1]
l2_norm = tf.nn.l2_normalize(x, [3], epsilon=1e-12)
with tf.variable_scope(scope):
gamma = tf.get_variable("gamma", shape=[n_channels, ], dtype=tf.float32,
initializer=tf.constant_initializer(scale),
trainable=trainable)
return l2_norm * gamma從後面新增的卷積層中提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2作為檢測所用的特徵圖，加上Conv4_3層，共提取了6個特徵圖，其大小分別是(38,38),(19,19),(10,10),(5,5),(3,3,),(1,1),,但是不同特徵圖設定的先驗框數目不同（同一個特徵圖上每個單元設定的先驗框是相同的，這裡的數目指的是一個單元的先驗框數目）。先驗框的設定，包括尺度（或者說大小）和長寬比兩個方面。對於先驗框的尺度，其遵守一個線性遞增規則：隨著特徵圖大小降低，先驗框尺度線性增加：
其中m指的特徵圖個數，但卻是5，因為第一層（Conv4_3層）是單獨設定的，Sk示先驗框大小相對於圖片的比例，而Smin和Smax表示比例的最小值與最大值，paper裡面取0.2和0.9。對於第一個特徵圖，其先驗框的尺度比例一般設定為Smin/2=0.1,那麼尺度為300*0.1=30。對於後面的特徵圖，先驗框尺度按照上面公式線性增加，但是先將尺度比例先擴大100倍，此時增長步長為
，這樣各個特徵圖的Sk為20,37,54,71,88,將這些比例除以100，然後再乘以圖片大小，可以得到各個特徵圖的尺度為60,111,162,213,264，這種計算方式是參考SSD的Caffe原始碼。綜上，可以得到各個特徵圖的先驗框尺度30,60,111,162,213,264。對於長寬比，一般選取
，對於特定的長寬比，按如下公式計算先驗框的寬度與高度（後面的Sk均指的是先驗框實際尺度，而不是尺度比例）：
預設情況下，每個特徵圖會有一個
且尺度為Sk的先驗框，除此之外，還會設定一個尺度為
且
的先驗框，這樣每個特徵圖都設定了兩個長寬比為1但大小不同的正方形先驗框。注意最後一個特徵圖需要參考一個虛擬
來計算
。因此，每個特徵圖一共有6個先驗框
，但是在實現時，Conv4_3，Conv10_2和Conv11_2層僅使用4個先驗框，它們不使用長寬比為3，1/3的先驗框。每個單元的先驗框的中心點分佈在各個單元的中心，即
，其中
為特徵圖的大小。
得到了特徵圖之後，需要對特徵圖進行卷積得到檢測結果，圖7給出了一個5*5大小的特徵圖的檢測過程。其中Priorbox是得到先驗框，前面已經介紹了生成規則。檢測值包含兩個部分：類別置信度和邊界框位置，各採用一次3*3卷積來進行完成。令
為該特徵圖所採用的先驗框數目，那麼類別置信度需要的卷積核數量為
，而邊界框位置需要的卷積核數量為
。由於每個先驗框都會預測一個邊界框，所以SSD300一共可以預測
個邊界框，這是一個相當龐大的數字，所以說SSD本質上是密集取樣。
圖7 基於卷積得到檢測結果
3
訓練過程
（1）先驗框匹配
在訓練過程中，首先要確定訓練圖片中的ground truth（真實目標）與哪個先驗框來進行匹配，與之匹配的先驗框所對應的邊界框將負責預測它。在Yolo中，ground truth的中心落在哪個單元格，該單元格中與其IOU最大的邊界框負責預測它。但是在SSD中卻完全不一樣，SSD的先驗框與ground truth的匹配原則主要有兩點。首先，對於圖片中每個ground truth，找到與其IOU最大的先驗框，該先驗框與其匹配，這樣，可以保證每個ground truth一定與某個先驗框匹配。通常稱與ground truth匹配的先驗框為正樣本，反之，若一個先驗框沒有與任何ground truth進行匹配，那麼該先驗框只能與背景匹配，就是負樣本。一個圖片中ground truth是非常少的， 而先驗框卻很多，如果僅按第一個原則匹配，很多先驗框會是負樣本，正負樣本極其不平衡，所以需要第二個原則。第二個原則是：對於剩餘的未匹配先驗框，若某個ground truth的IOU大於某個閾值（一般是0.5），那麼該先驗框也與這個ground truth進行匹配。這意味著某個ground truth可能與多個先驗框匹配，這是可以的。但是反過來卻不可以，因為一個先驗框只能匹配一個ground truth，如果多個ground truth與某個先驗框IOU大於閾值，那麼先驗框只與IOU最大的那個先驗框進行匹配。第二個原則一定在第一個原則之後進行，仔細考慮一下這種情況，如果某個ground truth所對應最大IOU小於閾值，並且所匹配的先驗框卻與另外一個ground truth的IOU大於閾值，那麼該先驗框應該匹配誰，答案應該是前者，首先要確保某個ground truth一定有一個先驗框與之匹配。但是，這種情況我覺得基本上是不存在的。由於先驗框很多，某個ground truth的最大IOU肯定大於閾值，所以可能只實施第二個原則既可以了，這裡的TensorFlow（https://github.com/xiaohu2015/SSD-Tensorflow/blob/master/nets/ssd_common.py）版本就是隻實施了第二個原則，但是這裡的Pytorch（https://github.com/amdegroot/ssd.pytorch/blob/master/layers/box_utils.py）兩個原則都實施了。圖8為一個匹配示意圖，其中綠色的GT是ground truth，紅色為先驗框，FP表示負樣本，TP表示正樣本。
圖8 先驗框匹配示意圖
儘管一個ground truth可以與多個先驗框匹配，但是ground truth相對先驗框還是太少了，所以負樣本相對正樣本會很多。為了保證正負樣本儘量平衡，SSD採用了hard negative mining，就是對負樣本進行抽樣，抽樣時按照置信度誤差（預測背景的置信度越小，誤差越大）進行降序排列，選取誤差的較大的top-k作為訓練的負樣本，以保證正負樣本比例接近1:3。
（2）損失函式
訓練樣本確定了，然後就是損失函數了。損失函式定義為位置誤差（locatization loss， loc）與置信度誤差（confidence loss, conf）的加權和：
其中N是先驗框的正樣本數量。這裡
為一個指示引數，當
時表示第i個先驗框與第j個ground truth匹配，並且ground truth的類別為p。c為類別置信度預測值。l為先驗框的所對應邊界框的位置預測值，而g
是ground truth的位置引數。對於位置誤差，其採用Smooth L1 loss，定義如下：
由於的
存在，所以位置誤差僅針對正樣本進行計算。值得注意的是，要先對ground truth的g進行編碼得到
，因為預測值l也是編碼值，若設定variance_encoded_in_target=True，編碼時要加上variance：
對於置信度誤差，其採用softmax loss:
權重係數a通過交叉驗證設定為1。
（3）資料擴增
採用資料擴增（Data Augmentation）可以提升SSD的效能，主要採用的技術有水平翻轉（horizontal flip），隨機裁剪加顏色扭曲（random crop & color distortion），隨機採集塊域（Randomly sample a patch）（獲取小目標訓練樣本），如下圖所示：
圖9 資料擴增方案
其它的訓練細節如學習速率的選擇詳見論文，這裡不再贅述。
4
預測過程
預測過程比較簡單，對於每個預測框，首先根據類別置信度確定其類別（置信度最大者）與置信度值，並過濾掉屬於背景的預測框。然後根據置信度閾值（如0.5）過濾掉閾值較低的預測框。對於留下的預測框進行解碼，根據先驗框得到其真實的位置引數（解碼後一般還需要做clip，防止預測框位置超出圖片）。解碼之後，一般需要根據置信度進行降序排列，然後僅保留top-k（如400）個預測框。最後就是進行NMS演算法，過濾掉那些重疊度較大的預測框。最後剩餘的預測框就是檢測結果了。
5
效能評估
首先整體看一下SSD在VOC2007，VOC2012及COCO資料集上的效能，如表1所示。相比之下，SSD512的效能會更好一些。加*的表示使用了image expansion data augmentation（通過zoom out來創造小的訓練樣本）技巧來提升SSD在小目標上的檢測效果，所以效能會有所提升。
表1 SSD在不同資料集上的效能
SSD與其它檢測演算法的對比結果（在VOC2007資料集）如表2所示，基本可以看到，SSD與Faster R-CNN有同樣的準確度，並且與Yolo具有同樣較快地檢測速度。
表2 SSD與其它檢測演算法的對比結果（在VOC2007資料集）
文章還對SSD的各個trick做了更為細緻的分析，表3為不同的trick組合對SSD的效能影響，從表中可以得出如下結論：
- 資料擴增技術很重要，對於mAP的提升很大；
- 使用不同長寬比的先驗框可以得到更好的結果；
表3 不同的trick組合對SSD的效能影響
同樣的，採用多尺度的特徵圖用於檢測也是至關重要的，這可以從表4中看出：
表4 多尺度特徵圖對SSD的影響
6
TensorFlow上的實現
SSD在很多框架上都有了開源的實現，這裡基於balancap的TensorFlow版本（https://github.com/balancap/SSD-Tensorflow）來實現SSD的Inference過程。這裡實現的是SSD300，與paper裡面不同的是，這裡採用
。首先定義SSD的引數：
self.ssd_params = SSDParams(img_shape=(300, 300), # 輸入圖片大小
num_classes=21, # 類別數+背景
no_annotation_label=21,
feat_layers=["block4", "block7", "block8", "block9", "block10", "block11"], # 要進行檢測的特徵圖name
feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)], # 特徵圖大小
anchor_size_bounds=[0.15, 0.90], # 特徵圖尺度範圍
anchor_sizes=[(21., 45.),
(45., 99.),
(99., 153.),
(153., 207.),
(207., 261.),
(261., 315.)], # 不同特徵圖的先驗框尺度（第一個值是s_k，第2個值是s_k+1）
anchor_ratios=[[2, .5],
[2, .5, 3, 1. / 3],
[2, .5, 3, 1. / 3],
[2, .5, 3, 1. / 3],
[2, .5],
[2, .5]], # 特徵圖先驗框所採用的長寬比（每個特徵圖都有2個正方形先驗框）
anchor_steps=[8, 16, 32, 64, 100, 300], # 特徵圖的單元大小
anchor_offset=0.5, # 偏移值，確定先驗框中心
normalizations=[20, -1, -1, -1, -1, -1], # l2 norm
prior_scaling=[0.1, 0.1, 0.2, 0.2] # variance
)然後構建整個網路，注意對於stride=2的conv不要使用TF自帶的padding="same"，而是手動pad，這是為了與Caffe一致：
def _built_net(self):
"""Construct the SSD net"""
self.end_points = {} # record the detection layers output
self._images = tf.placeholder(tf.float32, shape=[None, self.ssd_params.img_shape[0],
self.ssd_params.img_shape[1], 3])
with tf.variable_scope("ssd_300_vgg"):
# original vgg layers
# block 1
net = conv2d(self._images, 64, 3, scope="conv1_1")
net = conv2d(net, 64, 3, scope="conv1_2")
self.end_points["block1"] = net
net = max_pool2d(net, 2, scope="pool1")
# block 2
net = conv2d(net, 128, 3, scope="conv2_1")
net = conv2d(net, 128, 3, scope="conv2_2")
self.end_points["block2"] = net
net = max_pool2d(net, 2, scope="pool2")
# block 3
net = conv2d(net, 256, 3, scope="conv3_1")
net = conv2d(net, 256, 3, scope="conv3_2")
net = conv2d(net, 256, 3, scope="conv3_3")
self.end_points["block3"] = net
net = max_pool2d(net, 2, scope="pool3")
# block 4
net = conv2d(net, 512, 3, scope="conv4_1")
net = conv2d(net, 512, 3, scope="conv4_2")
net = conv2d(net, 512, 3, scope="conv4_3")
self.end_points["block4"] = net
net = max_pool2d(net, 2, scope="pool4")
# block 5
net = conv2d(net, 512, 3, scope="conv5_1")
net = conv2d(net, 512, 3, scope="conv5_2")
net = conv2d(net, 512, 3, scope="conv5_3")
self.end_points["block5"] = net
print(net)
net = max_pool2d(net, 3, stride=1, scope="pool5")
print(net)
# additional SSD layers
# block 6: use dilate conv
net = conv2d(net, 1024, 3, dilation_rate=6, scope="conv6")
self.end_points["block6"] = net
#net = dropout(net, is_training=self.is_training)
# block 7
net = conv2d(net, 1024, 1, scope="conv7")
self.end_points["block7"] = net
# block 8
net = conv2d(net, 256, 1, scope="conv8_1x1")
net = conv2d(pad2d(net, 1), 512, 3, stride=2, scope="conv8_3x3",
padding="valid")
self.end_points["block8"] = net
# block 9
net = conv2d(net, 128, 1, scope="conv9_1x1")
net = conv2d(pad2d(net, 1), 256, 3, stride=2, scope="conv9_3x3",
padding="valid")
self.end_points["block9"] = net
# block 10
net = conv2d(net, 128, 1, scope="conv10_1x1")
net = conv2d(net, 256, 3, scope="conv10_3x3", padding="valid")
self.end_points["block10"] = net
# block 11
net = conv2d(net, 128, 1, scope="conv11_1x1")
net = conv2d(net, 256, 3, scope="conv11_3x3", padding="valid")
self.end_points["block11"] = net
# class and location predictions
predictions = []
logits = []
locations = []
for i, layer in enumerate(self.ssd_params.feat_layers):
cls, loc = ssd_multibox_layer(self.end_points[layer], self.ssd_params.num_classes,
self.ssd_params.anchor_sizes[i],
self.ssd_params.anchor_ratios[i],
self.ssd_params.normalizations[i], scope=layer+"_box")
predictions.append(tf.nn.softmax(cls))
logits.append(cls)
locations.append(loc)
return predictions, logits, locations對於特徵圖的檢測，這裡單獨定義了一個組合層ssd_multibox_layer，其主要是對特徵圖進行兩次卷積，分別得到類別置信度與邊界框位置：
# multibox layer: get class and location predicitions from detection layer
def ssd_multibox_layer(x, num_classes, sizes, ratios, normalization=-1, scope="multibox"):
pre_shape = x.get_shape().as_list()[1:-1]
pre_shape = [-1] + pre_shape
with tf.variable_scope(scope):
# l2 norm
if normalization > 0:
x = l2norm(x, normalization)
print(x)
# numbers of anchors
n_anchors = len(sizes) + len(ratios)
# location predictions
loc_pred = conv2d(x, n_anchors*4, 3, activation=None, scope="conv_loc")
loc_pred = tf.reshape(loc_pred, pre_shape + [n_anchors, 4])
# class prediction
cls_pred = conv2d(x, n_anchors*num_classes, 3, activation=None, scope="conv_cls")
cls_pred = tf.reshape(cls_pred, pre_shape + [n_anchors, num_classes])
return cls_pred, loc_pred對於先驗框，可以基於numpy生成，定義在ssd_anchors.py檔案中，連結為https://github.com/xiaohu2015/DeepLearning_tutorials/blob/master/ObjectDetections/SSD/ssd_anchors.py。結合先驗框與檢測值，對邊界框進行過濾與解碼：
classes, scores, bboxes = self._bboxes_select(predictions, locations)這裡將得到過濾得到的邊界框，其中classes, scores, bboxes分別表示類別，置信度值以及邊界框位置。
基於訓練好的權重檔案在這裡下載https://pan.baidu.com/s/1snhuTsT，這裡對SSD進行測試：
ssd_net = SSD()
classes, scores, bboxes = ssd_net.detections()
images = ssd_net.images()
sess = tf.Session()
# Restore SSD model.
ckpt_filename = './ssd_checkpoints/ssd_vgg_300_weights.ckpt'
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.restore(sess, ckpt_filename)
img = cv2.imread('./demo/dog.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_prepocessed = preprocess_image(img) # 預處理圖片，主要是歸一化和resize
rclasses, rscores, rbboxes = sess.run([classes, scores, bboxes],
feed_dict={images: img_prepocessed})
rclasses, rscores, rbboxes = process_bboxes(rclasses, rscores, rbboxes) # 處理預測框，包括clip,sort,nms
plt_bboxes(img, rclasses, rscores, rbboxes) # 繪製檢測結果詳細的程式碼放在GitHub上了，連結為https://github.com/xiaohu2015/DeepLearning_tutorials/tree/master/ObjectDetections/SSD，然後看一下一個自然圖片的檢測效果：
如果你想實現SSD的train過程，你可以參考附錄裡面的Caffe,TensorFlow以及Pytorch實現。
小結
SSD在Yolo的基礎上主要改進了三點：多尺度特徵圖，利用卷積進行檢測，設定先驗框。這使得SSD在準確度上比Yolo更好，而且對於小目標檢測效果也相對好一點。由於很多實現細節都包含在原始碼裡面，文中有描述不準或者錯誤的地方在所難免，歡迎交流指正。
參考文獻
- SSD: Single Shot MultiBox Detector 連結：https://arxiv.org/pdf/1611.10012.pdf
- SSD Slide 連結：http://www.cs.unc.edu/~wliu/papers/ssd_eccv2016_slide.pdf
- SSD Caffe 連結：https://github.com/weiliu89/caffe/tree/ssd
- SSD TensorFlow 連結：https://github.com/balancap/SSD-Tensorflow
- SSD Pytorch 連結：https://github.com/amdegroot/ssd.pytorch
- leonardoaraujosantos Artificial Inteligence online book 連結：https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/single-shot-detectors/ssd.html