ssd目标检测方法（目标检测-＞SSD算法）

目标检测算法总体分为：基于区域的算法和基于回归的算法

1）基于区域的算法： RCNN, Fast RCNN, Faster RCNN, Mask RCNN 等  
    
    
 。整个检测过程分为两个阶段

     


     


     。在第一个阶段    
    
    
，检测器需要找到一些假设的区域 (ROI)；在第二个阶段   


     


     


 ，检测器需要在这些假设区域上进行分类 (classification) 和 位置回归 (bounding box regression) 




 




 




。

2）基于回归的算法：YOLO系列 等  

   

   

。检测是一个端到端 (end-to-end) 的过程



 




 




 ，直接回归出物体的类别和位置

     

     

     。

SSD（Single Shot MultiBox Detector）是一个one stage的检测算法  




  




  



。它可以认为是 Faster RCNN 和 YOLO 的结合：采用了基于回归的模式(类似于YOLO)   

   

   

，在一个网络中直接回归出物体的类别和位置    

     

     

，因此检测速度很快  


  


  


。同时也利用了基于区域的概念(类似于Faster RCNN)




  




  




  ，在检测的过程中  


  


  

，使用了许多候选区域作为ROI
     
     
    。

Faster RCNN的回顾：

Faster RCNN存在的问题：

1）对小目标检测效果很差（只在一个特征层进行预测     
     
     
，这个特征层已经经过很多卷积层之后的




   




   




  ，经过的越多
 



 



 

，抽象层次越高               ，图像的细节信息保留越少 




    




    




  ，小目标效果越差













，要在相对低层次上的特征来进行预测）

2）模型大               ，检测速度慢（两次预测  



     



     



  ，two stages方法的通病）

SSD网络

在不同特征尺度上预测不同尺度的目标

骨干网络：

SSD的骨干网络是基于传统的图像分类网络













，采用了vgg16的部分网络作为基础网络
   




   




   


。如图所示    
    
    
，经过10个卷积层(conv layer) 和 3个池化层(max pooling) 的处理   


     


     


 ，我们可以得到一个尺寸为 38×38×512 的特征图 (Conv4_3 feature map) 



 



 



。下一步



 




 




 ，我们需要在这个特征图上进行回归   

   

   

，得到物体的位置和类别              。

回归 (Regression)：

和 YOLO 的回归操作相似    

     

     

，首先我们先考虑在特征图的每个位置上




  




  




  ，有且只有一个候选框(default box)的情况

    




    




    

。

1)位置回归：检测器需要给出框中心偏移量 (cx,cy)  


  


  

，相对于图片尺寸的宽度和高度 (w,h)     
     
     
，总计需要回归4个参数














。(Fast RCNN是每一个类别都要一个回归框




   




   




  ，总共(N+1)*4个参数)

2)分类: 对于每一个 bounding box
 



 



 

，我们需要给出 20个类别+1个背景类的得分(score)              。

对于每一个位置               ，我们需要一个25维的向量来存储检测物体的位置和类别信息

     



     



     
。对于我们的38×38的特征图 




    




    




  ，我们需要一个维度为 38×38×25 的空间来存储这些信息














。因此













，检测器需要学习特征图(38×38×512)到检测结果(38×38×25)的映射关系  
    
    
 。这一步转换               ，使用的是卷积操作：使用25个3×3的卷积核  



     



     



  ，对特征图进行卷积

     


     


     。到这里













，我们已经完成了在每个位置上回归一个框的操作 




 




 




。

3)多个候选框：SSD在每个位置上    
    
    
，希望回归k个基于不同尺寸的框  

   

   

。因此在每个位置上需要 25×k 维的空间   


     


     


 ，存储这些框的回归和分类信息



 




 




 ，因而卷积操作变成了使用 25×k个3×3的卷积核   

   

   

，来获得 38×38×25k 维度的检测结果图(score map)

     

     

     。

4)多个特征图：对于神经网络    

     

     

，浅层的特征图包含了更较多的细节信息




  




  




  ，更适合进行小物体的检测；而较深的特征图包含了更多的全局信息  


  


  

，更适合大物体的检测  




  




  



。因此     
     
     
，通过在不同的特征图上对不同尺寸的候选框进行回归




   




   




  ，可以对不同尺寸的物体有更好的检测结果  


  


  


。

SSD的检测精度和速度都非常出色
 



 



 

，76.8 mAP 和 22FPS 超过了Faster RCNN和YOLO