论文笔记：SSD: Single Shot MultiBox Detector

论文：https://arxiv.org/abs/1512.02325

中心思想：

• 直接通过一个神经网络实现目标检测。关键：不对特征进行重采样
• 在不同的尺度&比例的default box下（其实就是Anchor），将BBox的输出空间离散化成每个Feature Map中的点
• 使用了Multi-scale输出，预测时输出的是分数 + 偏移量（adjustment）
• 减少了Two-stage中的Proposal -> ROIPooling -> RCNN这种结构（SSD并非第一个这么做的，前面有YOLO，但是做了一系列的改进）
• 使得模型易于训练，并且能够达到Two-stage近似的效果同时，提升了速度
• (这种通过Feature Map中的某一个点，根据Anchor来encode gt bbox的one-stage检测方法，由RPN产生，也奠定了之后one-stage检测的基础）

Model

• 在骨干网络上加上如下特性形成检测模型：
  • Multi-scale feature map：在骨干网络的背后接上一个检测头部，并融合了多尺度的信息
  • 每个尺度下通过一个$p\ast c\ast (3\ast 3)$的卷积层，输出p维的feature map（这个feature map是多尺度的）
  • Default Map（anchor）：实际上就是给每个输出Feature Map K个先验值，一个输出Feature Map有 $(m,n,k\ast (4+cls)$ 的维度。这里跟Faster RCNN不同的是，将Anchor应用到了多个scale中
• GT匹配准则
  • 对于一个GT，首先找到和他IOU最大的anchor，并将该具体匹配到这个anchor上
  • 此外，anchor & IOU > 0.5就认为是该类别的positive，所以一个anchor box可以被分到多个类别。这样做使得训练更容易，均衡了正负样本，并且一个样本可以有很多个类别，学习变得更简单

Loss

• 注意：单个图片中，总的Loss的归一化系数是正样本的个数！如果没有正样本，Loss = 0，意味着这张图不参与训练，换句话说 $L(x,c,l,g)=1/N(L_{conf}(x,c)+\alpha L_{loc}(x,l,g))$
• $L_{loc}(x,l,g))$只针对正样本，具体通过对数的形式回归bbox的宽高，通过线性的方式回归bbox的中心点，通过smooth L1作为Loss
• $L_{conf}(x,c)$针对正样本&负样本，用的是softmax Loss

Anchor的选取

• 首先，SSD的multi-scale包括6个scale的输出
• 每个scale下给定正方形anchor(aspect ratio = 1)的最小边长$s_{min}$，最大边长$\sqrt{s_{max}{s}_{min}}$
• 每个scale下给定若干个aspect ratio$a_r$。（正方形）是一个aspect ratio的特例。一个$a_r$对应2个defatult，长宽分别为$(\sqrt{a_r}\cdot s_{min},1/\sqrt{a_r}\cdot s_{min})$,$(1/\sqrt{a_r}\cdot s_{min},\sqrt{a_r}\cdot s_{min})$。$a_r$的取值，除1以外:$(2,3)$。总之，一个非1的$a_r$能够生成2个长方形，如果有取了3个aspect ratio(1,2,3)，能够得到6个default box
• 每个scale下对应的$s_{min}$与$s_{max}$具体数值如下表：

layer name	$s_{min}$	$s_{max}$
conv4_3	30	60
fc7	60	111
conv6_2	111	162
conv7_2	162	213
conv8_2	213	264
conv9_2	264	315

数据增广

• 可参考：https://blog.youkuaiyun.com/mzpmzk/article/details/100161187

• 整体来说包括3部：

  • 执行亮度，对比度等像素内容变换
  • 图像扩展：将原图“镶嵌”在一个更大的画布中（画布的大小可能是原图的1-4倍），画布中镶嵌的位置是随机的
  • 从大画布中裁出一块ROI，并调整相应的GT BBox
  • 将ROI resize 到(300, 300)

• 上述ROI的选取：

  • 可以是原图（也就是不做图像扩展）
  • 随机裁剪一个ROI（宽和高的大小至少是原图的0.3倍，宽高比在0.5～2之间）
  • 随机裁剪一个ROI（宽和高的大小至少是原图的0.3倍，宽高比在0.5～2之间，这个ROI和任意BBox的IOU分别在0.1或0.3或0.5或0.7或0.9）
  • 综上，总共有7种等可能性结果
  • 将7种等可能性结果取其中的一种：
    • 如果是原图的话，就返回图像扩展前的结果
    • 如果是随机ROI，需要保证任一bbox的中心在ROI中，尝试N次，如果N次都得到结果，则返回原图
    • 如果是带IoU的ROI，则需要保证IoU大于特定的阈值，尝试N次，如果N次都得到结果，则返回原图