深度学习——目标检测（3）YOLO1SSD

前言：RCNN系列一般都是分为两个步骤，下面介绍one-stage方法，SSD和yolo算法 目标检测近年来已经取得了很重要的进展，主流的算法主要分为两个类型： （1）two-stage方法，如R-CNN系算法，其主要思路是先通过启发式方法（selective search）或者CNN网络（RPN)产生一系列稀疏的候选框，然后对这些候选框进行分类与回归，two-stage方法的优势是准确度高； （2）one-stage方法，如Yolo和SSD，其主要思路是均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类与回归，整个过程只需要一步，所以其优势是速度快，但是均匀的密集采样的一个重要缺点是训练比较困难，这主要是因为正样本与负样本（背景）极其不均衡（参见Focal Loss），导致模型准确度稍低。 各种方法速度如下：

YOLO1

论文核心思想如下图：

1.将一副图像分成S*S个网格，如果某个物体的中心落在这个网格中，则这个网格负责预测这个物体。 2.每个网格要预测B个bounding box，并且附带预测一个confidence值，YOLO1中B值为2。 也就是说，每个box要预测五个值，坐标四个加confidence。 3.这个confidence代表了，所预测的box含有object的置信度和预测的准确度

object在网络中则pr（object）为1；第二项为预测的bounding box和ground turth之间的IOU值。

• 什么是IOU

4.与此同时每个网格还要预测类别，记为C类 输出SS(5*B+C)的大小。

• 结构图

• 目标函数

• 缺点 由于是对图像进行评分，当整个物体落在一个网格上时候，对于小物体没法预测出来

SSD

粗略介绍一下YOLO1，SSD是在YOLO的基础上来的，下面重点介绍一下SSD

SSD算法属于one-stage方法，SSD算法在准确度和速度（除了SSD512）上都比Yolo要好很多。对于Faster R-CNN，其先通过CNN得到候选框，然后再进行分类与回归，而Yolo与SSD可以一步到位完成检测。相比Yolo，SSD采用CNN来直接进行检测，而不是像Yolo那样在全连接层之后做检测。 其实采用卷积直接做检测只是SSD相比Yolo的其中一个不同点，另外还有两个重要的改变， 一是SSD提取了不同尺度的特征图来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体； 二是SSD采用了不同尺度和长宽比的先验框（Prior boxes, Default boxes，在Faster R-CNN中叫做锚，Anchors）。Yolo算法缺点是难以检测小目标，而且定位不准，但是这几点重要改进使得SSD在一定程度上克服这些缺点。

• 设计理念：SSD和Yolo一样都是采用一个CNN网络来进行检测，但是却采用了多尺度的特征图，其基本架构如图3所示。下面将SSD核心设计理念总结为以下三点：

1）采用多尺度特征图用于检测 所谓多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图来用来检测相对较小的目标，而小的特征图负责检测大目标，如图4所示，8x8的特征图可以划分更多的单元，但是其每个单元的先验框尺度比较小。

2）采用卷积进行检测 与Yolo最后采用全连接层不同，SSD直接采用卷积对不同的特征图来进行提取检测结果。对于形状为 m* n * p 的特征图，只需要采用 3* 3 * p 这样比较小的卷积核得到检测值。 （3）设置先验框 在Yolo中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真实目标的形状是多变的，Yolo需要在训练过程中自适应目标的形状。而SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异，如图所示，可以看到每个单元使用了4个不同的先验框，图片中猫和狗分别采用最适合它们形状的先验框来进行训练，后面会详细讲解训练过程中的先验框匹配原则。

• 网络解构

SD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。SSD的网络结构如图5所示。上面是SSD模型，下面是Yolo模型，可以明显看到SSD利用了多尺度的特征图做检测。模型的输入图片大小是 300 * 300。 SSD采用VGG16做基础模型，首先VGG16是在ILSVRC CLS-LOC数据集预训练。将VGG16的全连接层fc6和fc7转换成 3 * 3 卷积层 conv6和 1 * 1 卷积层conv7，同时将池化层pool5由原来的变成（猜想是不想reduce特征图大小），为了配合这种变化，采用了一种膨胀卷积神经网络，其实就是conv6采用扩展卷积或带孔卷积（Dilation Conv），其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，其使用扩张率(dilation rate)参数，来表示扩张的大小，如下图6所示，(a)是普通的 3 * 3卷积，其视野就是 3 * 3 ，(b)是扩张率为1，此时视野变成 7 * 7 ，(c)扩张率为3时，视野扩大为 15 * 15 ，但是视野的特征更稀疏了。Conv6采用 3 * 3大小但dilation rate=6的扩展卷积。 然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做finetuing。 从上图中来计算框的数量 得到了特征图之后，需要对特征图进行卷积得到检测结果，图7给出了一个 5 * 5 大小的特征图的检测过程。其中Priorbox是得到先验框，前面已经介绍了生成规则。检测值包含两个部分：类别置信度和边界框位置，各采用一次 3 * 3 卷积来进行完成。令 n_k 为该特征图所采用的先验框数目，那么类别置信度需要的卷积核数量为 n_k * c ，而边界框位置需要的卷积核数量为 n_k * 4 。由于每个先验框都会预测一个边界框，所以SSD300一共可以预测 38 * 38 * 4+19 * 19 * 6+10 * 10 * 6+5 * 5 * 6+3 * 3 * 4+1 * 1 * 4=8732 个边界框，这是一个相当庞大的数字，所以说SSD本质上是密集采样。

• 样本比 尽管一个ground truth可以与多个先验框匹配，但是ground truth相对先验框还是太少了，所以负样本相对正样本会很多。为了保证正负样本尽量平衡，SSD采用了hard negative mining，就是对负样本进行抽样，抽样时按照置信度误差（预测背景的置信度越小，误差越大）进行降序排列，选取误差的较大的top-k作为训练的负样本，以保证正负样本比例接近1:3。
• 损失函数 训练样本确定了，然后就是损失函数了。损失函数定义为位置误差（locatization loss， loc）与置信度误差（confidence loss, conf）的加权和：