SSD 学习与研究

版权声明：本文为博主原创文章，转载请注明出处。 https://blog.csdn.net/liuxiao214/article/details/81517038

目标检测–SSD

论文地址：https://arxiv.org/abs/1512.02325

project：https://github.com/apache/incubator-mxnet/tree/master/example/ssd

其他参考链接：

1、https://blog.csdn.net/a8039974/article/details/77592395
2、https://www.cnblogs.com/fariver/p/7347197.html
3、https://www.sohu.com/a/168738025_717210
4、https://www.cnblogs.com/lillylin/p/6207292.html
5、https://cloud.tencent.com/developer/article/1052779

---

一、理解

1、对比

SSD的提出，为了解决实时性和准确性的问题。下面这种图给出了对比，SSD有两种模型，300和512代表不同size的输入图像。

SSD的主要思想就以下几点：

1. 提出类似faster rcnn中的anchor机制，default box（与faster rcnn的区别：每个位置的default box一般是4~6个，Faster rcnn默认9个anchor；同时default box是设置在不同尺度的feature maps上的，且大小不同）；
2. 使用特征金字塔的方式，类似FPN，取多个feature map的预测结果，可以同时监测大目标和小目标；
3. 同样是one-stage训练，采用回归的思想；
4. 使用多种size的输入数据；

优缺点：

1. 速度比YOLO快，准确率比faster rcnn高；
2. 但是需要人工设置default box的min_size，max_size和aspect_ratio值，且每一层feature map下的值都不一样；
3. 对小目标的召回仍然不理想，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；

2、核心思想

2.0 特征金字塔

与YOLO直接在卷积层后加全连接不同，SSD使用多个卷积层进行预测，即不同size的feature map结果。SSD使用conv4_3、conv7(fc7)、conv8_2、conv9_2、conv10_2和conv11_2来预测定位和confidence，如下图所示。

特征金字塔的意思如下图所示。

2.1 default box

SSD中引入了default box，类似于faster rcnn中的anchor。但是不同于faster rcnn中，faster rcnn的默认anchor是9个，且只有最后特征层进行anchor提取。

下面介绍SSD中的default box。其优点就是default box在不同的feature层有不同的scale，在同一个feature层又有不同的aspect ratio，基本上可以覆盖输入图像中的各种形状和大小的object。

• 以feature map的每个location，都会生成多个同心的default box；
• 宽高比为1，2，3，1/2，1/3；
• 当宽高比为1时，方形box，最小边长为min_size，最大边长为根号下（min_size*max_size）；
• 长方形的长和宽分别为根号下（aspect_ratio）*min_size、1/根号下（aspect_ratio）*min_size；
• 每个feature map的min_size、max_size都不一样。

第一层feature map对应的min_size=S1，max_size=S2；第二层min_size=S2，max_size=S3；其他类推。在原文中，Smin=0.2，Smax=0.9，m是feature map的数量，SSD-300中m=6。

多个feature map生成的default box后，还经过 PriorBox 层生成 prior box（生成的是坐标）。每个feature map中每一层的default box的数量是给定的(8732个)。最后将前面三个计算结果分别合并然后传给loss层。

假定有8×8和4×4两种不同的feature map。假设每个feature map cell有k个default box，那么对于每个default box都需要预测c个类别score和4个offset，如果一个feature map的大小是m×n，则这个feature map就一共有（c+4）k * mn 个输出。

prior box，是指实际中选择的default box（每一个feature map cell 不是k个default box都取）。也就是说default box是一种概念，prior box则是实际的选取。

如果是图中的5层feature map，最后会得到（38384 + 19196 + 10106 + 556 + 334 + 114）= 8732个prior box。

2.2 匹配策略

• 正样本：与每一个groundtruth box有最大交并比的default box；或者default box与任意有一个groundtruth box的交并比超过了阈值；
• 负样本：正样本剩下的

由于负样本数量远大于正样本数量，所以在训练时，会挑选confidence高的box进行匹配，正负样本比为1:3；

2.3 损失函数

损失函数仍然分为两部分，confidence损失和location损失，如下面公式，其中N是所有default box的数量。

location损失采用smooth-L1损失，如下所示：

confidence损失使用softmax损失，如下，

其中

表示第i个default box匹配到了第j个groundtruth box，类别是p。

粘来别人的具体解释：

2.4 训练

• 使用数据增强：有6.7%的mAP提升；包括随机裁剪，使得裁剪部分与目标重叠为0.1, 0.3, 0.5, 0.7, 0.9，剪裁完resize到固定尺寸；以0.5的概率进行水平翻转；
• 使用基础网络中的conv4_3进行检测，提升小目标的召回率；增加这一部分大概会提示4%mAP；
• 使用不同宽高比的default box会提升2.9%mAP；
• 使用atrous卷积，预训练模型VGG-16采用了atrous卷积，可以保持感受野不变的条件下，减少padding噪声。使用这种预训练模型会提高0.7mAP；

2.5 网络结构

SSD的结构在VGG16网络的基础上进行修改，

针对conv4_3（4），fc7（6），conv6_2（6），conv7_2（6） ，conv8_2（4），conv9_2（4）（括号里数字是每一层选取的default box种类）中的每一个再分别采用两个3*3大小的卷积核进行卷积，这两个卷积核是并列的，

• 这两个33的卷积核一个是用来做localization的（回归用，如果prior box是6个，那么就有64=24个这样的卷积核，卷积后map的大小和卷积前一样，因为pad=1，下同），
• 另一个是用来做confidence的（分类用，如果prior box是6个，VOC的object类别有20个，那么就有6*（20+1）=126个这样的卷积核）。

假设，conv6_2的localizaiton的33卷积核操作，卷积核个数是24（64=24，由于pad=1，所以卷积结果的map大小不变，下同），

这里的permute层就是交换的作用，比如你卷积后的维度是32×24×19×19，那么经过交换层后就变成32×19×19×24，顺序变了而已。

而flatten层的作用就是将32×19×19×24变成32*8664，32是batchsize的大小。

另一方面结合conv4_3（4），fc7（6），conv6_2（6），conv7_2（6），conv8_2（4），conv9_2（4）中的每一个和数据层（ground truth boxes）经过priorBox层生成prior box。

经过上述两个操作后，对每一层feature的处理就结束了。对前面所列的5个卷积层输出都执行上述的操作后，就将得到的结果合并：采用Concat，类似googleNet的Inception操作，是通道合并而不是数值相加。

二、论文翻译

1、摘要

提出一个比较小的深度神经网络用做图像中的目标检测。本文的方法称为SSD，对于每个feature map定位，将bounding box的输出空间描述为一组default box，有不同的宽高比、大小。在预测时，这个网络对每个default box，生成每个目标类别可能存在的分数，然后调整box以适合目标的shape。此外，这个网络结合了多种分辨率的feature map的预测，可以自然地处理各种大小的目标。SSD相对于那些需要目标proposal的方法来说要简单，因为它完全消除了proposal的产生和随后像素或特征的重采样步骤，将所有计算都压缩在一个简单网络中。这使得SSD很容易训练，并且可以直接整合到需要检测成分的系统中。在PASCAL VOC、COCO、ILSVR数据集上的实验结果证明，SSD对比那些使用额外目标proposal的方法具有可竞争性的准确率，并且比这些方法更快，为训练和推断提供了一个统一的框架。使用英伟达Titan X，对于300x300的输入，SSD在VOC2007测试数据集上，74.3%mAP，59FPS，对于512x512的输入，SSD是76.7%mAP，超过了faster RCNN。相对其他single-stage方法，SSD使用更小size的输入图像有更高的准确率。源码见： https://github.com/weiliu89/caffe/tree/ssd .

2、介绍

前面巴拉巴拉一堆废话。这篇论文提出第一个基于目标检测器的深度网络，而不依赖于对bounding box假设的像素或特征冲采样，并且同样准确。这个结果又很大的提升。在VOC2007测试集上，59FPS，74.3%mAP，而faster RCNN的7 FS，73.2%mAO，YOLO 45FPS，63.4%mAP。速度上的提高主要是消除了bounding box proposal和像素、特征的重采样步骤。本文并不是第一个做这些的，但是通过添加一系列的提高，我们比先前的尝试准确率有明显的提高。我们的提高包括，使用小的卷积核来预测目标类别和bounding box定位的偏移。分别使用不同比例的检测器预测，在网络的最后阶段，在多层feature map上应用这些filter，以实现多种scale的检测。这些修改，特别是使用不同scale的多层预测，我们可以实现相对低分辨率的输入的高准确率，进一步提高检测速度。尽管这些贡献似乎每个单独来说都比较小，但是对于在PASCAL VOC的实时检测上，YOLO只有63.4%mAP，而SSD有74.3%mAP。从最近有着高收益的残差网络来说，相对于检测正确来说，这个相对来说提升更大。进一步，高质量检测的速度显著提升可以扩展应用范围，计算机视觉是有用的。

本文的贡献点如下：

• 我们介绍了SSD，一个针对多目标的single-shot的检测器。比之前state-of-the-art的single-shot的检测器YOLO要快，并且准确率更高。事实上，相同准确率更慢的技术，使用明确的region proposals和池化（包括faster RCNN）
• SSD的核心是，对于一组default bounding box的修正集合，预测类别分数和box offset，对feature map使用小的卷积核。
• 为了实现高的检测准确率，我们对不同scale的feature map产生预测，然后通过宽高比分别采用这些预测。
• 这些设计的特征导致简单的端到端训练和高准确率，甚至是在低分辨率的输入图像上。进一步提高了速度。
• 实验包括模型在PASCAL VOC, COCO, and ILSVRC数据集上，不同输入大小之间关于时间和准确率的分析。并且于最近的state-of-the-art方法进行了比较。

3、The Single Shot Detector (SSD)

这一部分介绍提出的SSD框架和相关的训练方法。然后给出具体数据集的模型细节和实验结果。

3.1 model

SSD方法是基于前馈卷积神经网络，该网络产生固定大小的bounding box的集合，和这些box是否存在目标类别实例的分数，然后使用非极大值一直产生最终的检测。早期的网络层是基于标准架构，使用高质量图像分类（在任何分类层中删除顶端），我们称之为基础网络，然后将辅助功能添加到网络中以产生检测，具有以下关键特征：

多尺度feature map检测. 我们在截断基础网络后添加了卷积层，这些层的尺寸逐渐减小，并允许在多个尺度上预测检测。用于预测检测的卷积层对每个特征层（操作在单个尺度的feature map）是不一样的（参见overfeat、YOLO）。

针对检测的卷积预测器. 每一个添加的feature层（或者是从基础网络中选择已存在的一组），使用一组卷积核，都可以产生一组固定的检测预测集合。这些可以在图2中，SSD网络架构的顶端看到。对于一个feature层，其size为mnp通道，潜在检测的预测参数的基础元素是33p的卷积核，用来生成类别的分数或者相对于default box坐标的shape偏移。对m*n的每一个位置采用卷积核，将产生一个输出值。对于每个feature map的location，bounding box偏移输出值是相对于default box的位置计算的（参加YOLO的结构，直接使用全连接层的而不是卷积滤波器用于这一步）

default box和宽高比. 对网络顶层的多个feature map，我们将一组default bounding box的集合与每一个feature map cell相关联。default box以卷积的方式平铺feature map，因此每一个box的位置与其相对的cell是固定的。对每一个feature map cell，我们预测每个cell相对default box的shape的偏移，同样，也预测每一个类别分数，表明在每个box中这个类别实例的存在可能性。特别地，对给定location的k个box的每一个，我们计算c个类别分数和4个相对于原始default box shape的偏移。在feature map的每个location，有（c+4）k个滤波器，因此，对m*n的feature map，有（c+4）kmn个输出。有关default box的说明，可以参见图1.我们的default box相对于faster rcnn中使用的anchor box要小，但是我们在不同分辨率的几个feature map上使用。在几个feature map上允许不同的default box shape使得我们可以有效地离散可能的输出输出box shape空间。

3.2 training

在训练SSD和训练使用region proposal的典型检测器来说，其关键区别就是，在固定检测器输出集合上，groundtruth信息需要指定特定的输出。一些版本训练时也需要指定，如YOLO，还有faster-rcnn、multibox中的region proposal阶段。一旦配置决定，损失函数和反向传播就可以端到端。训练时也涉及到选择检测的default box和scale的集合，同样需要困难负样本的挖掘的数据增强策略。

匹配策略. 在训练时，我们需要确认，哪个default box与groundtruth检测相关联，并且进行相关地训练。对每个groundtruth box，我们从default box中选择，这些box的宽高比、尺寸都不一样。通过将每个groundtruth box与default box进行最佳jaccard重叠（如multibox）匹配。但不同于multibox，我们然后将default box与所有groundtruth进行了jaccard重叠超过0.5的进行了匹配。这简化了学习问题，允许网络对预测多个重叠的default 认box的高分，而不是只选取最大重叠的那个。

训练目标. SSD的训练目标源自multibox，但是扩展为处理多个目标类别。
可以认为是类别p的第i的default box和第j个groundtruth box的匹配。在以上的匹配策略中，可以使得
整个目标损失是定位损失的加权和confidence损失，如下：

其中，N是匹配到的default box的数量。如果N=0，则损失设为0。定位损失采用预测box(l)和groundtruth box(g)参数之间的smooth l1损失。类似faster-rcnn，我们回归default bounding box(d)的中心偏置(cx, cy)和宽(w)、高(h)。

confidence损失是多个类别confidence©的softmax损失，其中权重参数α在交叉验证时设置为1。

为default box选择尺度和宽高比. 为了处理不同尺度的目标，一些方法建议处理不同size的图像，然后再结合结果。然而，通过利用一个网络中的不同层的feature map来做预测，可以模仿相同的效果，且共享了所有尺度的目标的参数。先前的工作展示出，使用低层的feature map可以提到语义分割质量，因为低层捕捉到了输入目标更细节的东西。类似的，xx论文展示出，从一个feature map上添加全局环境池化可以帮助平滑分割结果。受这些方法启发，我们使用了高层和低层的feature map用来检测。图1中，两个feature map（8x8和4x4）用在了这个框架中。事实上，我们可以用一点小的开销，使用更多的feature map。

一个网络中不同层的feature map已知是不同感受野大小的。幸运的是，SSD框架，default box不需要与每一层的实际感受野相关联。我们设计了default box的平铺，因此指定feature map学习相应的特定尺度的目标。假设我们想要使用feature map来预测，每个feature map default box的尺度如下计算：

其中，s_min=0.2，s_max=0.9，意味着最低层的scale是0.2，最高层是0.9，中间所有层都是规律间隔。我们对default box施以不同宽高比，表示

我们可以为每一个default box计算其宽和高

对于宽高比为1，我们添加一个default box，其scale是

这样可以造成每个feature map location有6个default 认box。我们设置每个default box的中心是

其中|f_k|是第k个feature map的大小，切i,j属于[0, [f_k]]。事实上，也可以设计成default box的分布以最好的拟合特定数据集。如何设计最好tiling是一个开放的问题。

通过结果来自很多featuremap的所有location的不同scale和宽高比的所有default box的预测，我们有了大量预测集合。覆盖了不同size和shape的输入目标。例如，图一中，狗与4x4的feature map中的一个default 认box匹配，但是与8x8的feature map的所有default box都不匹配。这是因为这些不同scale的box不匹配狗的box，因此在训练中被认为是负样本。

hard negative挖掘. 在结束匹配后，大多数default box都是负的，特别是当可能的default box比较大的时候。这里介绍了一个明显的正负训练样本不均衡的例子。我们不使用所有的负样本，而是将这些负样本，按照每个default box的最高confidence 损失进行排序，并且选择最高的一个，因此正负样本的比例是1:3。我们发现，这可以导致更快的优化和更稳定的训练。

数据增强. 为了使得模型对于不同size和shape的输入更具有鲁棒性，每一个训练图像都使用下列方法进行随机采用：

• 使用整个原始的输入图像
• 采样一个图像块，使得与目标的最小jaccard重叠分别是 0.1, 0.3,0.5, 0.7, or 0.9.
• 随机采样图像块

每一个采样的图像块的发现都是原来图像size的[0.1， 1]，并且宽高比在12与2之间。如果groundtruth box的中心在采样图像块中，我们保留与groundtruth box重叠的部分。在上述提到的采样之后，每一个采样的图像块被resize为固定的size，并且以0.5的概率进行水平翻转，此外还添加一些测光扭曲等。

4、Experimental Results

基础网络. 我们的网络是基于VGG-16的，并且在ILSVRC CLS-LOC数据集上进行了预训练。类似于DeepLab-LargeFOV，我们将fc6和fc7转换成了卷积层，下采样fc6和fc7的参数，改变pool5的池化核，将2x2改为3x3，然后使用 `a trous 算法来充满”holes”。我们去除了所有的dropout层和fc8层。使用SGD，初始学习率为0.001，momentum=0.9，weight decay=0.0005，batch size=32，进行微调结果。学习率衰减策略每个数据集都略有不同，细节稍后给出。开源代码见：https://github.com/weiliu89/caffe/tree/ssd

4.1 PASCAL VOC2007

在PASCAL VOC2007数据集上与fast rcnn、faster rcnn方法进行了比较，测试集是4952张图像。所有方法都是在预训练的VGG-16模型上微调的。

图2是SSD-300模型的网络细节。我们使用conv4_3、conv7(fc7)、conv8_2、conv9_2、conv10_2和conv11_2来预测定位和confidence。设置conv4_3的default box，scale=0.1。

4.2 Model analysis

4.3 PASCAL VOC2012

4.4 COCO

4.5 Preliminary ILSVRC results

4.6 Data Augmentation for Small Object Accuracy

4.7 Inference time

5、结论

这篇论文介绍了SSD，一个基于多类别的快的single-shot的检测器。我们这个模型的关键特征是使用与网络顶层多个feature map匹配的mult-scale的卷积bounding box的输出。这种表示允许我们有效地训练可能的box的shape空间。我们进行实验验证了给定的合理的训练策略，一组数目很大的经过仔细选择的default box结果可以提高性能。与现有方法相比，我们建立的SSD模型，至少有一个数量级的box预测采样位置、scale、宽高比。我们表明，在给定相同的VGG-16基础架构，SSD相比之前的state-of-the-art目标检测器在准确率和速度上都实现了超越。我们的SSD-512明显地比state-of-the-art faster rcnn在PASCAL VOC 和 COCO数据集上的准确率要高，并且有3倍快。我们的实时SSD-300速度是59FPS，比目前的实时YOLO要快，且检测准确率更高很多。

除了这些独立的实用性，我们相信，我们的单片和相对简单的SSD模型为更大的需要目标检测的系统提供了有用的building block。一个充满希望的未来方向是探索使用RNN来检测，并同时跟踪视频目标，来作为系统的一部分使用。