SSD 论文与项目总结

一、SSD论文

• 总体描述

SSD全程为single-shot multibox detection，其中一个要点single shot的意思是将分类和回归的loss在同一个过程中计算；另一个要点multibox，即算法中预先设定好一些列不同scale、不同aspect ratio的default box，这些box的一部分框作为最终输出框。SSD的检测结果，在性能和速度上的综合性能比同时期别的目标检测算法（YOLO V1和 Faster R-CNN）要好：比Faster R-CNN速度快，比YOLO准确性高。

• 关键点

1. 用卷积核去预测分类和回归
2. 对不同长宽比的box，分别用不同的卷积核预测
3. 多尺度的特征表示

 loss:

• training过程

(1) localization loss:

 

P.S.为什么要选择smooth L1 loss：

 smooth L1损失函数曲线如上图，作者这样设置的目的是想让loss对于离群点更加鲁棒，相比于L2损失函数，其对离群点、异常值（outlier）不敏感，可控制梯度的量级使训练时不容易跑飞。

(2) classification loss:

 

数据扩充

（1）随机截图，约束和GT的最小IoU值为0.1到0.9，并且随机截取的小图scale限制为原图的0.1到1，长宽比限制为0.5到2

（2）zoom in（随机截取），zoom out

二、目标检测项目

• bad case 分析