深度网络中的目标检测算法SSD系列-SSD论文理解

一、简述

单个深度神经网络来做目标检测。（加速）
将bounding boxes输出离散化，为在每一个feature map上的一组不同长宽比及不同尺寸的一组默认边框。

在预测阶段：计算出每一个default box中的目标，其属于每个类别的可能性，即score(得分)。如对于poscal voc数据集，总共有20类，那么得出每一个bounding boxes中物体属于这20个类别的每一种的可能性。同时。要对这些bounding boxes的shape进行微调，使得其符合目标物体的外接矩形。为了处理相同物体不同尺寸的情况，SSD结合了不同分辨率的feature map的预测(predictions)。

二、基础网络

基于VGG16

1. 将VGG中的FC6 layer，FC7 layer转化为卷积层，并从模型的FC6,FC7上的参数，进行下采样得到这个两个卷积层的参数。
2. 将poling layer的参数，从2 * 2 -s2 转变成3 * 3 -s1，但这样变化后，会改变感受野的大小。(采用了空洞卷积的技术)
3. 并删除fc8 layer 和 所有的dropout层。
4. 增加4个卷积层。
5. 使用SGD精调；学习率0.001，momentum 0.9，weight decay 0.00005，batch size 32.

三、多尺寸特征图检测

使用不同的卷积层来预测，卷积层的特征图逐步减少，可以在不同的scale上预测。

卷机器检测

使用一系列的卷积器，产生一系列固定大小的预测(predictions)。对于一个大小为m * n，具有P通道的特征图，使用的卷积器就是3 * 3 * P的卷积核来预测类别和边框值。

Default boxes—默认边框

将一组默认边框default boxes与不同层的feature map cell关联。假设每个feature map call有k个default box，那么对于每个default box都要预测C个类别score 和 4个坐标偏置(offset)。如果一个feature map的大小是m * n，也就是有m * n个feature map cell，那么这个feature map就是有 m * n * k * (c+4)个输出。

四、训练过程

匹配策略

• 对每个ground truth box找IOU最高的default box。
• default boxes 如果任一个ground truth box的IUO大于0.5

以上两种情况可以匹配的default boxes就是候选框的样本；其中完全匹配gt的是正样本，其他为负样本。

困难负样本挖掘

在匹配策略完成后，产生的负样本远远大于正样本。
使用负样本中分类置信度损失函数最高的那些样本作为新的负样本，选择数量的正样本：负样本比例1：3。

数据增广

对图像随机crop，比例为[0.1, 1.0]，并resize到固定尺寸。

default boxes 设置

对于每一张特征图，按照不同的尺寸(scale)和宽高比(ratio),生成k个默认框。

1. 尺寸(scale) 每个feature map中default box的尺寸大小，计算：
   Sk = Smin + （(Smax-Smin) / (m - 1)） * (k - 1) k->[1, M]
   Smin = 0.2，Smax=0.95，表示最低层的尺度是0.2，最高层的尺度为0.95.
2. 宽高比(ratio) 使用不同的ratio值 ar = 1，2，3，1/2，1/3 . 计算default box的宽度和高度。
3. 中心
   ( (i + 0.5)/|Fk| ，(j + 0.5)/|Fk|)
   |Fk| 是 feature map的尺寸大小

五、预测过程

对生成大量的bounding boxes，首先通过设置confidence(置信度)的阈值为0.1，过滤掉大多数的boxes。然后对每一类使用0.45的阈值进行NMS。对每张图最终保留最佳的200个检测结果。