SSD Single Shot Multibox Detector

Code: https://github.com/balancap/SSD-Tensorflow

• SSD 是ECCV 2016的文章，文章主要提出了一種新的framework來完成object detection任務。主要的特點是速度快，mAP也比較有競爭力。
• 文章的主要貢獻
  • 提出了SSD，它比當時最快的YOLO更快，而且相比於YOLO，它對accuracy的改進比較大。
  • SSD的核心是針對固定規模的default bounding boxes (類似於faster RCNN 中的anchor)預測類別的得分和box的偏移量，通過給feature map後接小kernel的convolution layer來實現
  • SSD還實現來不同scale的object的detection, 它通過在不同階段的feature map後接convolution layer來實現
• 網路結構
  
  • 前面的VGG16作為我們的base network，根據需要我們也可以將其更換成其他網路
  • 我們得到VGG16的feature map後，其為conv5_3 layer。feature map的大小為3838。我們針對每個pixel提取4個bounding box，其具有不同的大小和長寬比。比如下圖所示。所以我們的output channel就是4(classes+4), 倍數4是因為有四個bounding box，括號裡面的4是cx, cy, w, h.
    
  • 圖中所顯示的8732個bounding box是如何得到的呢？38*38*4 + 19*19*6 + 10*10*6 + 5*5*6 + 3*3*4 + 1*1*4 = 8732。
  • 得到8732個bboxes及其score後，我們再根據NMS演算法進行合併排除，得到最後的預測結果。
• How to training
  • 在關注如何訓練這個問題的時候，我們最主要是關注怎樣去計算ground truth。首先我們瞭解，我們訓練的物件有兩個：1、每個default bounding box的category；2、每個default bounding box對應的offset。所以，我們計算ground truth的目標也是這兩個。
  • 實現函式介面見下面的函式，在train_ssd_network.py中有呼叫。其中glabels就是一幅圖片中每個bounding box對應的label, gbboxes是每幅圖片中每個bounding box的座標(x_min, y_min, x_max, y_max)。
    
  • 最後我們在計算交叉熵和smoothed L1 loss，其介面如下，也在train_ssd_network.py中有呼叫：