论文阅读理解 - SSD: Single Shot MultiBox Detector

SSD: Single Shot MultiBox Detector

Paper

Slide

Code-Caffe

摘要 SSD，一次深度神经网络前馈来进行目标检测. 通过对不同 scales 的各 feature map 位置，根据不同的 aspect ratios，将 bounding boxes 的输出空间离散化为 default boxes 集合. 在预测阶段，网络得到在每个 default box 中各物体类别的存在概率，以及与物体形状最佳匹配的 box. SSD 网络通过结合多个不同分辨率的 feature maps，可以更好的检测不同尺寸的物体. 相对于需要 object proposals 的方法，SSD 不需要生成 proposal 和 像素或特征重采样阶段，将所有的计算封装在一个网络中. 即使输入图像尺寸较小时，SSD 仍有较好的精度. SSD主网络结构是VGG16，将 2 个全连接层替换为卷积层，并新增 4 个卷积层构造网络结构. 对其中5个不同的卷积层输出的 feature maps，分别用两个 3*3 卷积核的卷积层处理，其中一个卷积层输出分类用的 confidence，每个default box 生成 N+1 个confidence值；另一个卷积层输出回归的localization，每个default box 生成 4 个坐标值(x，y，w，h).

这里写图片描述

1. Model

SSD 方法基于前馈卷积网路来生成 bounding boxes集合，以及各box中物体类别分数，采用 NMS(non-maximum suppression) 来得到最终的检测结果.

base network： VGG-16

这里写图片描述

Fig.2. SSD 和 YOLO 对比. SSD在 base network 后添加了几个特征层，来预测不同 scales 和 aspect ratios 的default boxes的偏移及对应的confidence.

SSD 特点：

2. Training

SSD 的训练与传统采用region proposals 的CNN检测器的关键不同在于，ground truth 需要分配给检测器输出的固定集中的特定输出. 之后 loss 函数和BP都是 end-to-end 训练的.

训练还涉及 default boxes 的选择和检测尺度(scales)的选择，以及 hard negative mining 和数据增广策略.

2.1 Matching strategy 匹配策略

训练时需要确定默认 boxes 所对应的 ground truth.

每个 groundtruth box，是从变化位置(vary over location)、纵横比(aspect ratio)和尺度(scale)所得到的 default boxes中进行选择的.

首先，根据最大的 jaccard overlap(类似于MultiBox) 来将各 groundtruth box 与 default box 进行匹配；

然后，将 default boxes 与任何 jaccard overlap 阈值大于某个特定值(0.5)的 groundtruth box 进行匹配.

这种操作简化了学习问题，使得网络可以预测多个高分数的 overlapping default boxes，而不是只选择一个最大的 overlap.