【论文】SSD: Single Shot MultiBox Detector简介

一、简介

SSD提出于2016年三月20日，比YOLO v1早两个月，但是它其中提到了YOLO，所以应该是比YOLO晚的。SSD也是一个one stage方法，它其中的改进包括：

1.使用小卷积及取预测类别和定位偏差，

2.使用不同的filter去对于不同宽高比(aspect ratio)进行判断，

3.在多个feature map上进行判断。

二、基本思想

对于每个feature map，我们在每个位置上都设置几个默认b-box，我们的目标是对于这些b-box预测偏移(off-set)以纠正偏差，兵器预测其中含有物体的可能性。最终使用NMS来获得b-box。

三、模型

 对于一个m*n的feature map，每个feature map cell上有k个默认的b-box（假设的，在结构上只体现为输出的参数），它们或者是高宽比不同，或者是大小不同。每个b-box需要预测出4个位置参数，c个类别参数。由于使用的是卷积去对这些参数统一处理，所以总共有m*n*k*(c+4)个参数，对于每个map。ssd与其他方法的关键不同是GT信息需要分配给固定数量的输出b-box中的特定b-box。

四、训练

1.匹配策略

使用multibox的策略，对每一个GT b-box匹配一个default box（最大IOU，而且不重复），之后，对每一个default box，匹配一个GT，选择IOU大于阈值的那个。所以，对于一个GT，我们至少能够匹配两个gt b-box（如果这两个匹配不重复的话）。

2.训练目标

x, c, l, g分别是为输入图片，confidence，预测b-box，GT b-box。定位误差Lloc使用Smooth L1 loss ，confidence损失使用softmax损失，alpha取1。

Lloc当然是只有匹配上的b-box才会计算损失。也就是只有FP才进行损失传递。

其中Lconf是对于confidence的预测，与负样本有关，对于一张图像，只有匹配上的b-box具有匹配物体种类的正confidence，而其余的b-box作为负样本，对于该物体种类的confidence应该为0，但这样会出现正负样本十分不均衡的现象，因此作者将如果产生loss较大的那些样本挑出来作为负样本，进行训练。可以详见下面的文章：

https://blog.youkuaiyun.com/tomxiaodai/article/details/82354720

3.尺度和宽高比的选择。

简而言之，越后面的feature map，其尺度越大（对应于原图中的尺度）。

4.负样本平衡（Hard negative mining）

在计算损失（confidence损失）的时候，大部分是负样本，因此正负样本不平衡，因此，文中只对那些loss较大的作为负样本，进行损失传递。大概是1:3，正：负

5.数据增强

采用了两种增强数据的方法，一种是采样部分，使得对于物体的最小IOU为0.1，0.3,0.5，0.7,0.9。

另一种是随机取patch。

五、实验现象

大多数的confident检测都是对的，召回率为85%-90%。和RCNN比，更少的定位错误，但是分类的错误多一些。对b-box的尺寸敏感，当b-box小的时候普遍会下降很多Ap，也就是说对小物体的检测尤为不好，这可能是由于尽管使用了较浅的feature map，小物体的信息依然被丢弃了，但是其实对于中型物体的判断也是不太好。同时，它对于物体的纵横比适应的比较好。如下图

文中还对模型进行了分析，对各个变量影响进行了分析，结果显示都使用的话会提高不少，值得一提的是这个东西 ： DeepLab-LargeFOV 。还有下面的分析：

 可以看出来，四类错误差不多，对于家具的判断蜜汁不准。

具体效果如下图：

 

对于重叠物体判断的不错，对于某些小物体也判断的不错，但是有些物体就蜜汁不准，比如说远处的人。