SSD原理及Pytorch代码解读——总览

这篇博客记录我在学习《深度学习之PyTorch物体检测实战》一书中关于SSD（Single Shot Multibox Detecor）这一算法的理解，以及pytorch代码的解读。
pytorch复现代码链接：https://github.com/dongdonghy/Detection-PyTorch-Notebook/tree/master/chapter5/ssd-pytorch
虽然本篇博客会提到关于SSD的一些原理介绍，但是更多是侧重于pytorch代码方面的介绍，如果对SSD的原理感兴趣可以去网上搜索，有很多文章都已经介绍的很详细了。

总览

对于目标检测任务来说，一般有两种比较主流的框架，一种是Two stages，另外一种是Single shot。前者是Faster RCNN为代表，即首先利用RPN网络进行感兴趣区域生成，然后再对该区域进行类别的分类与位置的回归，这种方法优缺点很明显，虽然显著提升了精度，但也限制了检测速度。后者以以YOLO系列/SSD为代表，一次性完成classification+bounding box regression，这种利用回归的思想，虽然使速度有了明显的提升，但是精度方面也下降了不少。

下面先简单了解一下SSD的流程和算法思想。
SSD算法的算法流程如图下所示，输入图像首先经过了VGGNet的基础网络，在此之上又增加了几个卷积层，然后利用3×3的卷积核在6个大小与深浅不同的特征层上进行预测，得到预选框的分类与回归预测值，最后直接预测出结果，或者求得网络损失。整个过程中可以看出，SSD只进行了一次框的预测与损失计算，属于一阶网络。由于利用了多个特征图，SSD实现了较好的检测精度。
相比于其他算法，SSD的改进可以总结为以下四点：

1. 数据增强：SSD对原始数据做了充分的增强工作，主要包括光学变换与几何变换。
2. 网络骨架：SSD并没有直接使用VGG作为特征提取网络，而是在其卷积模块基础上，通过进一步延伸了4个卷积模块，获取不同尺度下的特征图，这些特征图具有不同的尺度与感受野，便于检测不同尺度的物体。
3. ·PriorBox与多层特征图：与Faster RCNN类似，SSD利用了固定大小与宽高的PriorBox作为区域生成，但与Faster RCNN不同的是，SSD不是只在一个特征图上设定预选框，而是在6个不同尺度上都设立预选框，并且在浅层特征图上设立较小的PriorBox来负责检测小物体，在深层特征图上设立较大的PriorBox来负责检测大物体。
4. 正、负样本的选取与损失计算：利用3×3的卷积在6个特征图上进行特征的提取，并分为分类与回归两个分支，代表所有预选框的预测值，随后进行预选框与真实框的匹配，利用IoU筛选出正样本与负样本，最终计算出分类损失与回归损失

整个计算过程如下：