SSD论文浅析

Single Shot MultiBox Detectordeepsystems

背景

        因为YOLO V1带来的快速的检测速度，而准确率却远不如faster-rcnn，而且前面博文所说，YOLO V1只在一个grid cell中预测一种class，并且只在最后一层的feature map进行box的预测，使得在大小尺寸上难以兼顾到。

        本文中提出的SSD，很重要的一点就是将之前基础的网络中的feature map和之后的多尺度feature map一起进行prior boxes的选取，提高了boxes对尺寸的要求。文章中对于prior boxes的选择与faster-rcnn中的anchor技术比较类似。

        可以说是 anchor+YOLO的产物了。

网络结构

论文中的网络结构采用的是VGG-16-Atrous，使得conv6（FC6）处的尺寸为19*19（看源码可以理解，dilate=True），这里分别采用两组3*3的卷积（SAME卷积）对各层的feature map进行处理。类似于YOLO的方法。

拿conv4_3举例（以下的尺寸都是以此为例）

    第一组：实现localization的regression（x,y,w,h）4个参数，则共需要3*3*512的卷积核4*default boxes个，可能要问default boxes是什么鬼东西

        default boxes：对应卷积层尺寸38*38，每一个像素对应产生default boxes个box

如上图 对于8*8和4*4的来说，default boxes=4

这就好办了，我们为了得到regression，卷积出38*38*（4*default boxes）的结果。

第二组：实现每一类的confidence的计算，加入数据集共前景C类，则需要有（C+1）个confidence。又每一个像素default boxes，则可知需要3*3*512的卷积核（C+1）*default boxes个，好了，我们得到了38*38*（（C+1）*default boxes）的结果。

实验中将第一组和第二组的结果进行concat，得到38*38*（（4+（C+1））*default boxes）的卷积结果

    default box不同scale和aspect ratio的选择策略

每一层所取得default boxes不一样。

自此，我们得到了38*38*4 + 19*19*6 + 10*10*6 + 5*5*6 + 3*3*4 + 1*1*4 = 8732个prior box

训练

区分正负样本

正样本：先从GT(ground truth)考虑，将所有与GT最匹配（IoU最大）的prior box标为候选正样本集；

再从prior box考虑，将所有与任一个GT的IoU>0.5的prior box标为正样本集。

负样本：剩下的即负样本

但显然存在负样本过多的问题，论文中没有详细写这么平衡至1：3，源码中应该是有的，有关Hard negative mining技术

loss function分析

一张图可以说明，其中N为正例数目（下文的jaccard overlap其实就是IoU，一毛一样）

SSD 训练的目标函数（training objective）源自于 MultiBox 的目标函数，但是本文将其拓展，使其可以处理多个目标类别。具体过程是我们会让每一个 prior box 经过Jaccard系数计算和真实框的相似度，阈值只有大于 0.5 的才可以列为候选名单；假设选择出来的是N个匹配度高于百分之五十的框吧，我们令 i 表示第 i 个默认框，j 表示第 j 个真实框，p表示第p个类。那么xpij表示 第 i 个 prior box 与 类别 p 的 第 j 个 ground truth box 相匹配的Jaccard系数，若不匹配的话，则xpij=0。总的目标损失函数（objective loss function）就由 localization loss（loc） 与 confidence loss（conf） 的加权求和：

1、N 是与 ground truth box 相匹配的 prior boxes 个数

2、localization loss（loc） 是 Fast R-CNN 中 Smooth L1 Loss，回归 bounding boxes 的中心位置，以及 width、height；confidence loss（conf） 是 Softmax Loss（多了一个是否匹配的系数），输入为每一类的置信度 c（已经归一化的概率）

3、权重项 α，可在protxt中设置 loc_weight，默认设置为 1