基于SSD的交通标志检测-介绍ssd算法
序
去年11月关注到这类问题。在目标检测这类视觉任务中，目前的处理方式分为two-stage和one-stage，one-stage中代表就是yolo和ssd。yolo去年5月时候就跟学长一起了解过，而关于ssd的内容却所知不多。
网上关于ssd算法论文的内容解读的非常的多，对于初学者，找一篇原创并且排版合理的文章，就可以大致了解ssd算法的内容了。
基于上诉情况，对于ssd算法的内容，我会给出我以前所看的一些文章的链接，给大家参考。而我的重点主要是记录一下，自己在ssd上的个人理解和感觉，以及ssd在交通标志上应用的开发情况。
ssd的链接
AL之路的文章
这是我喜欢的一位博主，他的文章值得一看，而且涉及内容广泛。我的一些内容也会参考他的文章。
ssd算法
不管是对于初学者还是开发者来讲，了解一个算法的功能特点是非常重要的。ssd算法能成为one-stage中的代表，区别它和其他算法，更加有利于理解。
所以，我会把ssd和一些代表性的目标检测算法进行比较，一些会参考他人的想法，一些会是自己的想法。
ssd网络的模块功能
ssd算法的baseNextwork是vgg-16。在vgg的基础上有所改进，改进的内容是把后面两个全连接层改成卷积层，然后在后面加了4个卷积层。图中充分解释了网络的改进情况（在下面第一张图）。
大部分文章基本上都是根据术语来解释网络，但是很少提到网络的功能，对初学者理解网络不友好。
ssd网络分为：卷积层；目标检测层；筛选层。
1.卷积层：就是baseNextwork。基本所有的目标检测网络都会用个cnn卷积网络来提取特征，然后后面再进行目标定位和目标分类的任务。
ssd中的卷积层就是vgg-16衍生出来的，第一张图中的主体部分就是ssd的卷积层。
所以，对于算法的改进之一，就是在baseNextwork上动手脚，一般有各种各样的cnn网络可以选择。对于每个网络的特点，会在我以后的文章中详细介绍。
2.目标检测层：由5个卷积层和1个平均池化层组成，去掉最后的全连接层。这样有点边缘检测和语义分割的意思。没有了全连接层，所以ssd给出的感受野不是全视野。
目标检测层是ssd算法的核心。主要有以下特点。（在第二张图中给出卷积层输出的feature map如何处理）
2.1多尺寸的feature map：这个原理跟语义分割相似，每个stage的卷积层都会输出不同感受野的feature map,结合我最近所了解的边缘检测算法，对于每个stage的卷积层不同利用，也是一种改进算法的思路。ssd算法可以克服yolo对于宽高比不常见的物体，识别准确率较低的问题。而yolo只在最后一个卷积层上做目标定位和类别的训练和预测。
2.2多个anchors
3.筛选层：和yolo的筛选层基本一致，同样先过滤类别概率低于阈值的default box，再采用NMS非极大值抑制，筛选重叠度较高的。区别在于ssd有不同feature map的输出的default box。
（从左开始，首先是input图像（300x300），然后是vgg-16的卷积层（conv4_3提取feature map）,后面是fc6，fc7改成卷积层（conv7提取feature map）,然后是额外的卷积层。最后就是detection层和筛选层。）
注：卷积的作用就是给出input的feature map（特征），接下来的任务就是在根据feature map来进行检测，最后对检测结果进行刷选。
上张图如果是刚接触检测的初学者，可能有点看不懂。上图的重点是解释了基于vgg-16的网络改造情况。和下面这张图对比来看更好。下图把所有的网络模块都展开了，这样更能理解ssd算法是怎样运行的。
小总结
作为one-stage中的代表算法，不管是目标检测领域的算法，还是其他领域的深度学习算法，模型之间都有很强的延续性。大部分模型算法都借鉴了前人的思想。所以了解经典模型的特点，对于大家在算法这条路上很有帮助。
另外：基于目标检测领域的难点如下：
1.检测速度：实时性要求高，故网络结构不能复杂，参数不能太多，卷积层次不能太多。
2.位置准确率：（x y w h）参数必须准确，检测框大小尺寸要匹配。
3.漏检率：必须尽量检测出所有目标物体，对于靠的近和尺寸小的物体。
4.物体宽高比例不常见。
5.靠的近的物体准确率低。
6.小尺寸物体准确率低。
上述问题，在各类目标算法上都给出相应的解决方法。在另一个专题，我会根据实际代码来解释各类经典的算法是怎么解决上述问题的。
结尾
网上大多数文章只是根据论文的翻译来解释ssd的网络情况，对于网络具体情况，其他文章都写的很详细。但是在初学的时候，如果没有基础，是很难理解网络为什么要那样构造，所以本文重点介绍了网络每部分的作用。之后会根据通过代码的形式具体来解释各部分的内容。