目录
论文全称：《SSD: Single Shot MultiBox Detector》
论文地址：https://arxiv.org/pdf/1512.02325.pdf
综述
今天解读的这篇了论文是著名的SSD目标检测算法，和YOLO一样是一种one stage的算法，区别于rcnn，fast rcnn，faster rcnn等two stage 的算法。通过下图可以看到SSD300和SSD512(指的是输入图像的分辨率)在检测速度和精度方面均是state of art的。
SSD与其他算法的区别
下图可以清晰的表明了几种流行的目标检测算法之间的区别：
- MulitiBox使用全连接来预测多个boxes的objectness(是否为一个物体)以及每一个box的offset(与真实值的偏移程度)，然后再预测每一个box的物体类别；
- YOLO使用全连接预测多个boxes的objectness以及每一个box的offset，而且同时再预测每一个box的物体类别；
- Faster R-CNN使用卷积层预测多个boxes的objectness以及每一个box的offset，然后再预测每一个box的物体类别；
- SSD使用卷积层预测多个boxes的objectness以及每一个box的offset，同时预测每一个box的物体类别；
SSD的主要贡献
1.Multi-Scale Feature Maps
在不同大小卷积层之后分别预测多个boxes的objectness以及每一个box的offset，大的卷积图可以检测到小的物体，小的卷积图更倾向于检测大的物体。
2.Splitting the Region Space
与YOLO每一个单元都要自适应边界框不同，SSD采用了Faster R-CNN里面的anchor的方法，对于每一个单元检测都去匹配最近似的一个先验anchor，因为不同的Groud Truth的长宽比不同需要很多时间去拟合，采取anchor的方法更容易回归。最后mAP得到了2.5的增长。
3.Data Augmentation
利用水平翻转，随机裁剪，颜色扭曲和随机扩展可以做到数据增强而提高检测精度。
SSD300网络结构
SSD/YOLO区别：
- YOLO在卷积层后接全连接层，即检测时只利用了最高层Feature maps（包括Faster RCNN也是如此）
- SSD采用金字塔结构，即利用了conv4-3/conv-7/conv6-2/conv7-2/conv8_2/conv9_2这些大小不同的feature maps，在多个feature maps上同时进行softmax分类和位置回归
- SSD还加入了Prior box，类似Faster R-CNN的anchor机制
SSD网络的缺点
- 需要人工设置prior box的min_size，max_size和aspect_ratio值。网络中prior box的基础大小和形状不能直接通过学习获得，而是需要手工设置。而网络中每一层feature使用的prior box大小和形状恰好都不一样，导致调试过程非常依赖经验。
- 虽然采用了pyramdial feature hierarchy的思路，但是对小目标的recall依然一般，并没有达到碾压Faster RCNN的级别。作者认为，这是由于SSD使用conv4_3低级feature去检测小目标，而低级特征卷积层数少，存在特征提取不充分的问题。
参考文献：
http://www.cs.unc.edu/~wliu/papers/ssd_eccv2016_slide.pdf