Single Shot MultiBox Detectordeepsystems

背景

        因為YOLO V1帶來的快速的檢測速度，而準確率卻遠不如faster-rcnn，而且前面博文所說，YOLO V1只在一個grid cell中預測一種class，並且只在最後一層的feature map進行box的預測，使得在大小尺寸上難以兼顧到。

        本文中提出的SSD，很重要的一點就是將之前基礎的網路中的feature map和之後的多尺度feature map一起進行prior boxes的選取，提高了boxes對尺寸的要求。文章中對於prior boxes的選擇與faster-rcnn中的anchor技術比較類似。

        可以說是 anchor+YOLO的產物了。

網路結構

論文中的網路結構採用的是VGG-16-Atrous，使得conv6（FC6）處的尺寸為19*19（看原始碼可以理解，dilate=True），這裡分別採用兩組3*3的卷積（SAME卷積）對各層的feature map進行處理。類似於YOLO的方法。

拿conv4_3舉例（以下的尺寸都是以此為例）

    第一組：實現localization的regression（x,y,w,h）4個引數，則共需要3*3*512的卷積核4*default boxes個，可能要問default boxes是什麼鬼東西

        default boxes：對應卷積層尺寸38*38，每一個畫素對應產生default boxes個box

如上圖 對於8*8和4*4的來說，default boxes=4

這就好辦了，我們為了得到regression，卷積出38*38*（4*default boxes）的結果。

第二組：實現每一類的confidence的計算，加入資料集共前景C類，則需要有（C+1）個confidence。又每一個畫素default boxes，則可知需要3*3*512的卷積核（C+1）*default boxes個，好了，我們得到了38*38*（（C+1）*default boxes）的結果。

實驗中將第一組和第二組的結果進行concat，得到38*38*（（4+（C+1））*default boxes）的卷積結果

    default box不同scale和aspect ratio的選擇策略

每一層所取得default boxes不一樣。

自此，我們得到了38*38*4 + 19*19*6 + 10*10*6 + 5*5*6 + 3*3*4 + 1*1*4 = 8732個prior box

訓練

區分正負樣本

正樣本：先從GT(ground truth)考慮，將所有與GT最匹配（IoU最大）的prior box標為候選正樣本集；

再從prior box考慮，將所有與任一個GT的IoU>0.5的prior box標為正樣本集。

負樣本：剩下的即負樣本

但顯然存在負樣本過多的問題，論文中沒有詳細寫這麼平衡至1：3，原始碼中應該是有的，有關Hard negative mining技術

loss function分析

一張圖可以說明，其中N為正例數目（下文的jaccard overlap其實就是IoU，一毛一樣）

SSD 訓練的目標函式（training objective）源自於 MultiBox 的目標函式，但是本文將其拓展，使其可以處理多個目標類別。具體過程是我們會讓每一個 prior box 經過Jaccard係數計算和真實框的相似度，閾值只有大於 0.5 的才可以列為候選名單；假設選擇出來的是N個匹配度高於百分之五十的框吧，我們令 i 表示第 i 個預設框，j 表示第 j 個真實框，p表示第p個類。那麼xpij表示 第 i 個 prior box 與 類別 p 的 第 j 個 ground truth box 相匹配的Jaccard係數，若不匹配的話，則xpij=0。總的目標損失函式（objective loss function）就由 localization loss（loc） 與 confidence loss（conf） 的加權求和：

1、N 是與 ground truth box 相匹配的 prior boxes 個數

2、localization loss（loc） 是 Fast R-CNN 中 Smooth L1 Loss，迴歸 bounding boxes 的中心位置，以及 width、height；confidence loss（conf） 是 Softmax Loss（多了一個是否匹配的係數），輸入為每一類的置信度 c（已經歸一化的概率）