物体检测算法SSD简述

关注

原创最新推荐文章于 2026-04-08 14:20:02 发布 4.9k 阅读 AI 写同款· GEO 优化 ›

目标检测SSD算法（新手入门） SSD SSD算法是比较经典的目标检测算法，讲解SSD的博客有很多，比如目标检测之SSD就讲的非常好。本篇博客的不同之处在于，我当时整理学习SSD的时候相对小白一点，遇到什么不太清楚的查阅的东西比较多一些。在此把当时记录的东西整理出来分享给大家。 ... 阅读详情

其实SSD的论文是在YOLOv2之前看的，但由于那时本人初识机器学习，还不了解基本概念，所以只是囫囵吞枣，没能理解得很透彻，于是今天重新拾起SSD，并编辑出一篇学习记录，希望对大家有所帮助。

如果本文中某些表述或理解有误，欢迎各位大神批评指正。

下面进入正题。

论文原文中提到，作者提出的SSD算法比之前的YOLO算法更快、更精确，精确度可以媲美之前的Faster R-CNN。

为了理解方便，本文将原论文中涉及到的概念重新排序，以便看起来逻辑通顺。

【Multi-scale feature maps for detection】

SSD最大的亮点之一就是利用多尺度的feature map进行分类检测。

如果有朋友不是很清楚feature map是什么，暂时可以将其理解成网络中每个卷积层的输出。
详情可以参看本人的另外一篇博客：
机器学习中的一些基本概念（未完待续）
或自行百度。

在SSD中，不同层级的卷积层输出的feature map尺度不同。
像这样：

（这张图很重要，本文将多处使用到这张图）

其中，8*8的feature map和4*4的feature map对应不同layer的卷积层输出。
在网络架构上，层级的大小不同（例如，第二层卷积输出8*8的feature map，第三层卷积输出4*4的feature map，第四层卷积输出2*2的feature map），这对多尺度物体的检测提供了便利——2*2的feature map对大尺度的物体进行检测，而8*8的feature map对小尺度的物体进行检测（具体例子可以参见上图中的对猫和狗的检测）。

【注：大小尺度对应feature map的划分与default boxes的生成有关，这里先不对其进行详细说明，下文中会提到。】

【Default boxes and aspect ratios】

（这里的default boxes给我的感觉有点像YOLOv2中的anchor boxes）

对于feature map中每个的location（作者在论文中将其称为feature map location，个人将其理解为feature map中的cell，为了方便表述，下文这样的location称为cell），都会生成一组default boxes，用YOLOv2论文中的话说，这些default boxes是根据人类经验事先选择的。所以，这些default boxes相对于每个cell的位置是固定的。于是，在每个feature map中，我们（事实上是网络）可以了解到ground truth boxes与default boxes之间的位置关系，进而预测坐标偏移。不仅如此，网络还可以预测boxes中的物体类别，对每个类别的划分进行score。

现在让我们来做一个计算：

假设每个cell会生成k个default boxes，网络中一共有c个分类类别，位置信息利用四个属性来表述（如上图所示，分别为default boxes的x偏移量、y偏移量、宽度w、高度h）。
那么每个cell中就会使用(c+4)*k个卷积核（filter）进行运算（每个属性对应一个卷积核）；
对应的m*n的feature map中就会使用到一共(c+4)*k*m*n个卷积核。

说到这里，让我们看看SSD的网络架构（原文中将其与YOLO进行对比）：

对于p通道为m*n的feature layer，利用3*3卷积核在m*n的每个位置，产生表明类别score（确定分类），或者坐标偏移（确定位置）的输出值。

bounding box的坐标偏移是其相对于一个feature map中default box位置而测量的。

【Choosing scales and aspect ratios for default boxes】

前面有提到，SSD中的default boxes是根据经验事先选择的，那么，SSD是如何对其进行选择的呢？

由于SSD利用不同尺度（lower and upper）的feature maps进行检测，不同卷积层所对应的feature maps尺度不同，所以default boxes的生成也与feature maps所在的层级有关。

在SSD中，假设想要利用m个feature map进行预测，那么default boxes的尺度计算公式如下：

其中，最低层（lowest layer）default boxes的尺度为0.2，最高层（highest layer）default boxes的尺度为0.9，k表示feature map所处的层数。

此外，由于一个cell要生成多个default boxes，default boxes的宽高比（aspect ratios）也有所不同，论文中使用了：1，2，3，1/3，1/2五个值作为宽高比（ar）。

以此经过一点小小的计算，我们可以算出每个default boxes宽和高（w代表宽、h代表高）的大小：

经过运算，我们可以发现，论文中的尺度表述方式 s 是default boxes面积的开平方。

为了增加default boxes的个数（或者只是因为作者喜欢偶数对称性），作者对于宽高比为1的情况另外生成了一个新的default box，它的大小（s）是这样的（会比其他default boxes的面积大一点）：

至此，作者对每个feature map中的每个cell生成了6个default boxes。
实验表明，default boxes的个数越多，模型的性能会越好，但是开销也会越大。
具体原因在本人的一篇介绍YOLOv2的博客中有所分析：

YOLOv2简述

然后，将每个default box的中心放置于这个坐标处：

其中，分母表示feature map的大小（4*4 feature map所对应的分母就是4），分子中的i，j取值范围为[0,|fk|)。

经过与feature map简单的比较，我们可以看到，将所有可能的i，j值带入坐标之后，对应的坐标刚好铺满整个feature map的所有cell（这也是为什么i，j的取值范围为左闭右开）。

本节过后，我们就可以回答第一节所提出的那个有关待检测物体尺度的问题了：

由于低层feature map划分较细（例如，8*8），较高层feature map划分较粗（例如，2*2），所以feature map中的default boxes大小也不同。很明显可以看出的是，2*2feature map中的default boxes面积要比8*8feature map中的default boxes面积大，所以高层feature map中对应检测的物体尺度较大，低层feature map中对应检测的物体尺度较小。

【Matching strategy】

在训练期间，网络需要决定哪个default box匹配对应的ground truth box（网络的输入）并据此训练网络。

在本节以及后面的描述中，经常会出现jaccard overlap这个高端大气上档次的词语，原文中使用的是这个词，本文未对其进行修改，但其实jaccard overlap就是我们平时所说的交并比：IoU。

对IoU不了解的朋友们可以参看本人另外一篇博客：

机器学习中的一些基本概念（未完待续）

匹配策略分为两步：
1.用MultiBox中的最佳jaccard overlap（即，IoU最大）匹配每一个ground truth box与default box，用以保证每个ground truth box至少有一个default box相对应。
2.如果default box与ground truth box的jaccard overlap超过某阈值（例如，0.5），那么就把该default box与该ground truth box进行匹配。

这个策略允许为一个ground truth box匹配多个有所重叠的default boxes，而不是要求ground truth box只选择与其有最大重叠的某一个default box。

我们将第一步和第二步中所有匹配到ground truth box的default box称为正样本（positive sample）；

将所有没有匹配到ground truth box的default box称为负样本（negative sample）。

【Hard negative mining】

匹配过后，我们会发现，只有少数default boxes是正样本，而绝大多数是负样本。

所以，作者将负样本进行筛选：以confidence loss由高到低对负样本进行排序，将排序靠后的负样本剔除掉，直到正样本和负样本的比例约为1:3。

那么，confidence loss是什么？

【Training objective】

神经网络训练的目标往往是将一个loss值最小化，我们可以将这个loss值看作模型预测结果与我们期望得到的真实结果的偏差。

有了这样一个概念，对confidence loss的理解就很简单了。

在SSD中，模型需要预测的东西一共分两大类：位置、分类。SSD将对应于分类的loss称为confidence loss（conf），对应于位置的分类称为localization loss（loc），模型的总loss可以简单看做conf和loc的加权平均值（但事实上可能会比加权平均值复杂一些）。

公式部分由于排版等问题不在本文中进行讲解，有兴趣的朋友们可以参看论文原文进行研究。

【Data augmentation】