[論文理解]SSD:Single Shot MultiBox Detector
SSD:Single Shot MultiBox Detector
Intro
SSD是一套one-stage算法實現目標檢測的框架，速度很快，在當時速度超過了yolo，精度也可以達到two-stage的精度，可以與faster rcnn媲美，這套算法裏用到了與faster rcnn的anchor相似的概念-default box，也解決了多尺度問題對one-stage的影響-對不同大小的feature map進行滑窗分類，使得不同尺度的feature map的分類器對原圖目標尺度更加敏感。
one-stage和two-stage的算法區別主要在於，two-stage算法在區域提取的時候做分類是前景和背景，只有兩個分類，然後再拿去給第二個專門用來分類的網絡去學習分類具體類別；而one-stage算法直接在區域提取的時候給分類結果（這其中其實還設計到訓練的時候default boxes 的label與ground truth label匹配的問題），我認為這是最大的不同。
Model
模型的結果其實很容易理解，就是在vgg16後面開始一邊對每個feature map直接做分類，一邊繼續壓縮feature map的size，然後繼續做分類，以此類推。最後把所有的detection結果做nms。
文章先介紹了SSD作為多尺度檢測器是通過對feature map的不同尺度進行的，而怎麽做這個檢測呢？利用類似於anchor的方法，在不同尺度的feature map上用3*3卷積核滑窗，這樣每個卷積核作用得到一個結果，而對每個feature map cell，作者又安排了一組對應的default boxes，這些default boxes在size上有所不同，比例是預先設計好的。每個cell安排(c+4)*k個卷積核，c表示類別，4表示offset，k表示default boxes種類，這樣，對每個default box而言，有不同的卷積核負責算類別概率、與bounding box的偏移值。因此，對於一個m*n的feature map而言，輸出的結果有m*n*k*(c+4)個。作者也說了，他們設計的default boxes其實是類似於anchor boxes的，這點毋庸置疑。
Training
之前說過，訓練很重要的一點是label的對應，因此作者在這裏首先講了匹配的策略。先從每個default box開始，把每個default box匹配一個與之重疊度最高的ground truth，這裏重疊度用的jaccard算法，其實跟iou是一樣的，交集比上並集，然後還沒完，又從ground truth出發，讓每個ground truth能夠對應與之jaccard重疊度大於0.5的default boxes，然後把小於0.5的去除。這樣減少了訓練的數量，大大簡化了訓練。舉個例子，一套簡單題，一個同學在班上分數最高，他肯定就是這個班最強的人了，但是他只有五十分，你說選他還是不選他，菜雞！當然不選了。
上面建立了從default box到ground truth box在空間上的映射，然後提出loss：
這裏又通過p將空間映射在類別上細分。我們知道每個default box的預測有(c+4)個值，所以對於l，只需要說明是第幾個參與訓練的default box和第m個位置預測，m當然是在那4個中選，至於你安排哪幾個預測位置，完全看你自己。兩者經過smooth L1函數運算完，再看看類別對應上沒有，顯然對應上了這個值就應該是1，以此來最小化loss。分類的loss是所有正例分類概率的-log乘上匹配值，顯然匹配上了是1，如果每匹配上，就是所有正例概率-log之和，加上負樣本預測背景的概率-log，就是全預測0就是背景，即對0的預測概率，顯然概率越高loss越小。
然後是hard negative mining，在經過matching之後，其實大多數default box是負樣本，這就導致了正負樣本極度不均衡，然後就把一些負樣本變正唄，把iou高的變正，保證正負樣本比例位1：3.
最後是數據增強，增強選項包括：
- 直接用原圖
- sample a patch（實在不知道咋翻譯但是會意就好了）使得iou是0.1 0.3 0.5 0.7 或者0.9
- 隨機sample a patch（不用保證是上面的0.1 0.3 0.5 0.7 0.9）
實驗部分到後面統一做，直接把看過的都用mxnet寫一遍吧。希望有一天買得起GPU，不用天天看書而無法正兒八經跑項目和比賽。真心想參加比賽！！
[論文理解]SSD:Single Shot MultiBox Detector