【论文学习记录】SSD: Single Shot MultiBox Detector
这篇文章是目标检测one stage方法的另一代表，论文原文《SSD: Single Shot MultiBox Detector》。
YOLO是one stage方法的开山之作，但是其对目标的尺度比较敏感，对尺度变化比较大的物体泛化能力比较弱。而two stage方法的代表系列R-CNN精度高，但是速度慢。
融合以上两者的优势，SSD采取了one stage的思路，并且在网络中融入了Faster R-CNN的anchors思想，并且做了特征分层提取并依次计算边框回归和分类操作，因此可以适应多尺度目标的训练和检测。
SSD会产生一系列固定大小的bounding boxes，以及每个box中包含目标的confidence。之后进行NMS得到predictions。
SSD网络分为了6个stage，每个stage学习一个feature map，然后进行边框回归和分类。SSD以VGG 16的前5层卷积网络作为第一个stage，然后将VGG 16的fc6和fc7替换为两个卷积层conv6和conv7分别作为第二个和第三个stage。SSD继续增加了conv8，conv9，conv10，conv11作为后面的几个stage。
这里有两个重要的点，一个是default boxes，另一个是feature map cell。
在SSD中，根据每个stage中的feature map的大小，按照固定的scale和ratio生成default boxes，类似于Faster R-CNN的anchor boxes。
feature map cell就是将feature map切分成8 x 8或者4 x 4的格子。
SSD网络的目标损失函数的localization loss和confidence loss的加权求和。
其中，
N是与ground truth box相匹配的default boxes的个数。
α是权重项，用以调节两种loss的占比，设为1。
每个feature map中default box的尺寸计算方法是：
其中，smin=0.2， smax=0.95。
那么每个default boxes的width和height就可以计算：
其中，
对于aspect ratio为1这种特殊情况，作者增加了一个default box，它的scale是
所以在每个feature map cell上有6个default boxes。
每个default box的中心设置为
其中，|fk|是第 k 个 feature map 的大小，同时，i,j∈[0,|fk|)。
在生成的predictions中，negative boxes的数量远远多于positive boxes，这就造成正负样本不均衡，训练时难以收敛。为解决这个问题，作者先将每一个位置上对应的predictions是negative的boxes进行排序，按照default boxes的confidence大小，选择最高的几个，保证正负样本的比例是1:3左右。
本文数据集增广的方式：
1. 采用原始输入图像；
2. 采样一个patch，与物体之间最小的jaccard overlap为：0.1，0.3，0.5，0.7，0.9；
3. 随机采样一个patch。
采样 的patch是原始图像大小的[0.1，1]，aspect ratio在[1/2，2]之间。当groundtruth box的中心在采样的patch中时，保留重叠部分，之后将采样的patch resize到固定大小，并且以0.5的概率随机翻转。
本文的conv6和conv7的参数是从原VGG16的fc6和fc7的参数采样得到的，并且将pool5 layer的参数从2×2−s2转变成 3×3−s1。但是这样改变了感受野的大小，为弥补这一改变采用了atrous algorithm。另外还将VGG中所有的dropout layers和fc8layer去掉了。Learning rate 0.001，momentum 0.9，weight decay 0.0005，batch size 32，learning rate decay根据数据集的不同设置不同。
下面是一些实验结果。