目标检测——SSD（九）

简介：

前面已经总结了RCNN系列和YOLO系列，那么SSD同样是目标检测领域的经典论文，后续很多论文以此为基础，所以还是有必要来梳理一下。
SSD全名Single Shot MultiBox Detector，对于Faster R-CNN，先通过CNN得到候选框，然后进行分类和回归，而YOLO和SSD可以一步完成检测；对于YOLO，SSD采用CNN来直接进行检测，而不是像YOLO那样采用全连接层后做检测。
原论文地址：https://arxiv.org/pdf/1512.02325.pdf

一、网络结构：

可以看到SSD有以下优势：

1. SSD提取了不同尺度的特征图来做检测，大尺度特征图可以用来检测小物体，而小特征图用来检测大物体；
2. SSD采用了不同尺度和长宽比的先验框，在faster r-cnn中称为Anchors。YOLO算法缺点是难以检测小物体，而且定位不准，但是对于这几点，SSD在一定程度上克服这些缺点。

SSD采用VGG16作为基础模型，并且做了以下修改：

1. 分别将VGG16的全连接层FC6和FC7转换成 3x3 的卷积层 Conv6和 1x1 的卷积层Conv7；
2. 去掉所有的Dropout层和FC8层；
3. 同时将池化层pool5由原来的 stride=2 的 2x2 变成stride=1的 3x3 ；
4. 添加了Atrous算法（hole算法），目的获得更加密集的得分映射；
5. 然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。

二、损失函数：

总损失函数=得分损失+位置损失

对于置信度误差，其采用softmax loss；对于位置误差，其采用Smooth L1 loss。

系列传送门：
目标检测——R-CNN（一）
目标检测——Fast R-CNN（二）
目标检测——Faster R-CNN（三）
目标检测——Mask R-CNN（四）
目标检测——R-FCN（五）
目标检测——YOLOv3（六）
目标检测——YOLOv4（七）
目标检测——YOLOv5（八）
目标检测——SSD（九）
目标检测——RetinaNet（十）
目标检测——RefineDet（十一）