本文深入解析SSD（Single Shot MultiBox Detector）网络结构，包括VGG16特征提取、多尺度特征图生成及Anchor Boxes设定。阐述了如何计算特征图点在原图中的坐标，以及宽高的确定方法。介绍了物体框与锚点框的匹配过程和损失函数计算。
SSD
前言总结
SSD骨架网络结构
- VGG16部分作为特征提取
SSD特征提取网络结构
- SD300 也叫 VGG16Extractor300
- 提取了6个特征张量
锚点框Anchor Boxes和选框预测
Anchor Box 为了实现特征图上的一个点能预测多个物体！
- Anchor Box的基础大小有7个
- 选框可有
两个正方形，高宽2:1,1:2, 3:1 1:3 ⇒最多六个,最少4个
SSD骨架网络结构
- 结构采用VGG16的conv4和conv5
图引用自 《深入浅出PyTorch 从模型到源码》
SSD特征提取网络结构
- 和VGG输入大小不一样，这次是 300 × 300 300\times300 300×300输入，VGG16是 224 × 224 224\times224 224×224输入
- 最后的输出特征空间大小为 1 × 1 1\times1 1×1，有256张，也就是 256 × 1 × 1 256\times1\times1 256×1×1
图引用自 《深入浅出PyTorch 从模型到源码》
- VGG16Extractor300
提取了六个特征层
conv4_3
conv7
conv8_2
conv9_2
conv10_2
conv11_2
锚点框Anchor Boxes和选框预测
- 六张特征图
- 七个Anchor Box 基础尺寸
- 30, 60, 111, 162, 213, 265, 315
- 特征相对于原图的步长
- 8, 16, 32, 64, 100, 300
如何根据特征图中的点计算原图中的坐标？
假设$(i,j)$为整数，也就是格子图中的左上角坐标, 那么原图中为
(
s
t
r
i
d
e
×
(
i
+
0.5
)
,
s
t
r
i
d
e
×
(
j
+
0.5
)
)
(stride\times(i+0.5),stride\times(j+0.5))
(stride×(i+0.5),stride×(j+0.5))
那知道了原图中对应的中心点坐标，如何知道对应原输入图像中的宽高呢？
😃
如此计算，也解释了为什么有7个基础尺寸！就是为了一个大正方形！
我们求到了输入原始图像中，真实框的大小和坐标(x,y,w,h), 然后和神经网络预测的框直接求误差？
不是的！我们要求误差！！但是是一个变换！！！
图引用自 《深入浅出PyTorch 从模型到源码》
其中 ( x ′ , y ′ , w ′ , h ′ ) (x',y',w',h') (x′,y′,w′,h′)是神经网络预测的框
物体选框和锚点框的匹配
我们知道，COCO数据集的标签框是
（
x
1
,
y
1
,
w
,
h
）
（x_1,y_1,w,h）
（x1,y1,w,h） 即左上角左边和宽高。
因此第一步:
- 坐标转换成两种：
- 第一种坐标： ( x c , y c , w , h ) (x_c,y_c,w,h) (xc,yc,w,h)即中心坐标化
- 第二种坐标： ( x 1 , y 1 , x 2 , y 2 ) (x_1,y_1,x_2,y_2) (x1,y1,x2,y2)即左上角和右下角坐标
匹配物体框和锚点框：
一个锚点框能且只能匹配一个目标框（IOU最大者）
一个目标框却可以匹配多个锚点框，然后计算
(
g
x
,
g
y
,
g
w
,
g
h
)
(g_x, g_y, g_w, g_h)
(gx,gy,gw,gh), 并分配标签。
损失函数
F.smooth_l1_loss
避免异常值影响
Huber Estimator
它其实就是k=1情况下的Huber Estimator!!
扫一扫
2797
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
