碼字不易，歡迎給個贊！

歡迎交流與轉載，文章會同步釋出在公眾號：機器學習演算法全棧工程師(Jeemy110)

目錄

• • 目錄
  • 前言
  • 設計理念
  • 網路結構
  • 訓練過程
  • 預測過程
  • 效能評估
  • 小結
  • 參考文獻

前言

目標檢測近年來已經取得了很重要的進展，主流的演算法主要分為兩個型別：（1）two-stage方法，如R-CNN系演算法，其主要思路是先通過啟發式方法（selective search）或者CNN網路（RPN)產生一系列稀疏的候選框，然後對這些候選框進行分類與迴歸，two-stage方法的優勢是準確度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均勻地在圖片的不同位置進行密集抽樣，抽樣時可以採用不同尺度和長寬比，然後利用CNN提取特徵後直接進行分類與迴歸，整個過程只需要一步，所以其優勢是速度快，但是均勻的密集取樣的一個重要缺點是訓練比較困難，這主要是因為正樣本與負樣本（背景）極其不均衡（參見

本文講解的是SSD演算法，其英文全名是Single Shot MultiBox Detector，名字取得不錯，Single shot指明瞭SSD演算法屬於one-stage方法，MultiBox指明瞭SSD是多框預測。在上一篇文章中我們已經講了Yolo演算法，從圖1也可以看到，SSD演算法在準確度和速度（除了SSD512）上都比Yolo要好很多。圖2給出了不同演算法的基本框架圖，對於Faster R-CNN，其先通過CNN得到候選框，然後再進行分類與迴歸，而Yolo與SSD可以一步到位完成檢測。相比Yolo，SSD採用CNN來直接進行檢測，而不是像Yolo那樣在全連線層之後做檢測。其實採用卷積直接做檢測只是SSD相比Yolo的其中一個不同點，另外還有兩個重要的改變，一是SSD提取了不同尺度的特徵圖來做檢測，大尺度特徵圖（較靠前的特徵圖）可以用來檢測小物體，而小尺度特徵圖（較靠後的特徵圖）用來檢測大物體；二是SSD採用了不同尺度和長寬比的先驗框（Prior boxes, Default boxes，在Faster R-CNN中叫做錨，Anchors）。Yolo演算法缺點是難以檢測小目標，而且定位不準，但是這幾點重要改進使得SSD在一定程度上克服這些缺點。下面我們詳細講解SDD演算法的原理，並最後給出如何用TensorFlow實現SSD演算法。

設計理念

SSD和Yolo一樣都是採用一個CNN網路來進行檢測，但是卻採用了多尺度的特徵圖，其基本架構如圖3所示。下面將SSD核心設計理念總結為以下三點：

（1）採用多尺度特徵圖用於檢測
所謂多尺度採用大小不同的特徵圖，CNN網路一般前面的特徵圖比較大，後面會逐漸採用stride=2的卷積或者pool來降低特徵圖大小，這正如圖3所示，一個比較大的特徵圖和一個比較小的特徵圖，它們都用來做檢測。這樣做的好處是比較大的特徵圖來用來檢測相對較小的目標，而小的特徵圖負責檢測大目標，如圖4所示，8x8的特徵圖可以劃分更多的單元，但是其每個單元的先驗框尺度比較小。

（2）採用卷積進行檢測
與Yolo最後採用全連線層不同，SSD直接採用卷積對不同的特徵圖來進行提取檢測結果。對於形狀為m×n×p$m\times n\times p$的特徵圖，只需要採用3×3×p$3\times 3\times p$這樣比較小的卷積核得到檢測值。
（3）設定先驗框
在Yolo中，每個單元預測多個邊界框，但是其都是相對這個單元本身（正方塊），但是真實目標的形狀是多變的，Yolo需要在訓練過程中自適應目標的形狀。而SSD借鑑了Faster R-CNN中anchor的理念，每個單元設定尺度或者長寬比不同的先驗框，預測的邊界框（bounding boxes）是以這些先驗框為基準的，在一定程度上減少訓練難度。一般情況下，每個單元會設定多個先驗框，其尺度和長寬比存在差異，如圖5所示，可以看到每個單元使用了4個不同的先驗框，圖片中貓和狗分別採用最適合它們形狀的先驗框來進行訓練，後面會詳細講解訓練過程中的先驗框匹配原則。

SSD的檢測值也與Yolo不太一樣。對於每個單元的每個先驗框，其都輸出一套獨立的檢測值，對應一個邊界框，主要分為兩個部分。第一部分是各個類別的置信度或者評分，值得注意的是SSD將背景也當做了一個特殊的類別，如果檢測目標共有c$c$個類別，SSD其實需要預測c+1$c+1$個置信度值，其中第一個置信度指的是不含目標或者屬於背景的評分。後面當我們說c$c$個類別置信度時，請記住裡面包含背景那個特殊的類別，即真實的檢測類別只有c−1$c-1$個。在預測過程中，置信度最高的那個類別就是邊界框所屬的類別，特別地，當第一個置信度值最高時，表示邊界框中並不包含目標。第二部分就是邊界框的location，包含4個值(cx,cy,w,h)$(cx,cy,w,h)$，分別表示邊界框的中心座標以及寬高。但是真實預測值其實只是邊界框相對於先驗框的轉換值(paper裡面說是offset，但是覺得transformation更合適，參見R-CNN）。先驗框位置用d=(dcx,dcy,dw,dh)$d=(d^{cx},d^{cy},d^w,d^h)$表示，其對應邊界框用b=(bcx,bcy,bw,bh)$b=(b^{cx},b^{cy},b^w,b^h)$表示，那麼邊界框的預測值l$l$其實是b$b$相對於d$d$的轉換值：