SSD算法与DSSD算法检测原理对比

SSD是Single Shot MultiBox Detector的缩写，速度比Faster RCNN更快，mAP优于YOLO v1，SSD为单阶段目标检测算法，所谓单阶段目标检测指的是同时进行分类与定位，一气呵成，目前使用比较火爆的目标检测网络有

Yolo v1，v2 ,v3,SSD,Faster-rcnn的目标检测，以及各种模型的改造版本，今天主要介绍SSD网络与DSSD网络的检测原理，以及DSSD网络是如何对SSD进行改进

以下是SSD网络模型的结构图

SSD的结构特点我们可以看到，其主干网络backbone使用的是VGG16网络结构，但是目标检测与分类网络并不相同，SSD网络结构在VGG16上进行了网路结构的改进，在VGG16的第5层进行了卷积层的更改，且将最后的两个全连接层改为卷积层，最后对各个卷积层进行回归与预测，进行检测，其中低层feature map用来进行小目标的检测，高层feature map 用来进行大目标的检测。

SSD的特点：

1. 多尺度的目标检测，可以进行大目标检测，小目标检测同时进行检测，但是仔细想一想，低层的feature map由于卷积运算减少，滤波器的滤波效果较差，因此进行小型目标检测效果远远不如对大目标检测。
2. 在feature map中进行锚框聚类，锚框的比例为2， 1.6，1等

SSD的loss函数;

SSD的损失函数：SSD包含三部分的loss：前景分类的loss、背景分类的loss、位置回归的loss，具体的计算方式涉及交并比IOU，感兴趣的可以自己了解一下。

针对SSD的对小目标检测的缺陷，改进出来了DSSD的目标检测算法，以下是DSSD的网络结构:

DSSD网络在SSD网络上增加了反卷积模块:

图像经过卷积层后的输出维度如下,卷积核为k*k*1的尺寸，步长为s，输入图像大小为W*H*D,padding=p

其中对分数计算部分进行向下取整，反卷积简单来说，就是公式的反转，将卷积操作进行反向运算

因此在原来的网络上进行反卷积运算进行特征的提取与回归，当卷积运算最深地方时候，小目标的信息被过滤掉了，因此对小目标的检测效果不好，在其最深的底层进行反卷积运算，同时进行目标的检测与锚框的回归预测，同时进行IOU的限定，进行物体的检测。最终增强对小目标检测的鲁棒性。

AI学习的道路上，一起进步~