提示：文章寫完後，目錄可以自動生成，如何生成可參考右邊的幫助文檔

一、前言

目標檢測近年來已經取得了很重要的進展，主流的算法主要分爲兩個類型（參考RefineDet）：
（1）two-stage方法
如R-CNN系算法，其主要思路是先通過啓發式方法（selective search）或者CNN網絡（RPN)產生一系列稀疏的候選框，然後對這些候選框進行分類與迴歸，two-stage方法的優勢是準確度高；
（2）one-stage方法
如Yolo和SSD，其主要思路是均勻地在圖片的不同位置進行密集抽樣，抽樣時可以採用不同尺度和長寬比，然後利用CNN提取特徵後直接進行分類與迴歸，整個過程只需要一步，所以其優勢是速度快，但是均勻的密集採樣的一個重要缺點是訓練比較困難，這主要是因爲正樣本與負樣本（背景）極其不均衡（參見Focal Loss），導致模型準確度稍低。不同算法的性能如下圖所示，可以看到兩類方法在準確度和速度上的差異。

二、SSD（Single Shot MultiBox Detector）

SSD相對於YOLO的優勢：

一、是SSD提取了不同尺度的特徵圖來做檢測，大尺度特徵圖（較靠前的特徵圖）可以用來檢測小物體，而小尺度特徵圖（較靠後的特徵圖）用來檢測大物體；
二、是SSD採用了不同尺度和長寬比的先驗框（Prior boxes, Default boxes，在Faster R-CNN中叫做錨，Anchors）。Yolo算法缺點是難以檢測小目標，而且定位不準，但是這幾點重要改進使得SSD在一定程度上克服這些缺點。
基本架構如下：

在Yolo中，每個單元預測多個邊界框，但是其都是相對這個單元本身（正方塊），但是真實目標的形狀是多變的，Yolo需要在訓練過程中自適應目標的形狀。而SSD借鑑了Faster R-CNN中anchor的理念，每個單元設置尺度或者長寬比不同的先驗框，預測的邊界框（bounding boxes）是以這些先驗框爲基準的，在一定程度上減少訓練難度。一般情況下，每個單元會設置多個先驗框，其尺度和長寬比存在差異，如下圖所示，可以看到每個單元使用了4個不同的先驗框，圖片中貓和狗分別採用最適合它們形狀的先驗框來進行訓練，後面會詳細講解訓練過程中的先驗框匹配原則。

對於每個單元的每個先驗框，其都輸出一套獨立的檢測值，對應一個邊界框，主要分爲兩個部分。
第一部分是各個類別的置信度或者評分，值得注意的是SSD將背景也當做了一個特殊的類別，如果檢測目標共有 c 個類別，SSD其實需要預測 c+1 個置信度值，其中第一個置信度指的是不含目標或者屬於背景的評分。後面當我們說 c 個類別置信度時，請記住裏面包含背景那個特殊的類別，即真實的檢測類別只有 c-1 個。在預測過程中，置信度最高的那個類別就是邊界框所屬的類別，特別地，當第一個置信度值最高時，表示邊界框中並不包含目標。
第二部分就是邊界框的location，包含4個值 (cx, cy, w, h) ，分別表示邊界框的中心座標以及寬高。但是真實預測值其實只是邊界框相對於先驗框的轉換值：
先驗框位置用 d=(d cx , d cy , d w ,d h ) 表示，其對應邊界框用 b=(b cx , b cy , b w ,b h ) 表示，那麼邊界框的預測值 l 其實是 b 相對於 d 的轉換值

習慣上，我們稱上面這個過程爲邊界框的編碼（encode），預測時，你需要反向這個過程，即進行解碼（decode），從預測值 l 中得到邊界框的真實位置 b ：

綜上所述，對於一個大小 m×n×c 的特徵圖m×n×c 分別寬高通道數，每個像素生成先驗框數目記爲 k×anchor，需要 k×4個3×3×c 的 卷積核來預測每個先驗框的座標;需要 k*(C+1)個33c的卷積核來預測每個先驗框的類別。

三、SSD訓練過程

膨脹卷積：

在上面的SSD基本結構圖中可以看出，SSD採用VGG16做基礎模型，首先VGG16是在ILSVRC CLS-LOC數據集預訓練。將VGG16的
全連接層fc6和fc7轉換成 33 卷積層 conv6和 11 卷積層conv7，同時將池化層pool5由原來的變成（猜想是不想reduce特徵圖大小），爲了配合這種變化，採用了一種膨脹卷積神經網絡，其實就是conv6採用擴展卷積或帶孔卷積（Dilation Conv），其在不增加參數與模型複雜度的條件下指數級擴大卷積的視野，其使用擴張率(dilation rate)參數，來表示擴張的大小，如下圖所示，(a)是普通的 3 3卷積，其視野就是 3 3 ，(b)是擴張率爲1，此時視野變成 77 ，©擴張率爲3時，視野擴大爲 1515 ，但是視野的特徵更稀疏了。Conv6採用 3 *3大小但dilation rate=6的擴展卷積。然後移除dropout層和fc8層，並新增一系列卷積層，在檢測數據集上做finetuing。

訓練過程

（1）先驗框匹配

第一個原則：一個先驗框只能匹配一個ground truth，如果多個ground truth與某個先驗框 IOU大於閾值，那麼先驗框只與IOU最大的那個先驗框進行匹配。
第二個原則一定在第一個原則之後進行，仔細考慮一下這種情況，如果某個ground truth所對應最大 IOU小於閾值，並且所匹配的先驗框卻與外一個ground truth的 IOU 大於閾值，那麼該先驗框應該匹配誰，答案應該是前者，首先要確保某個ground truth一定有一個先驗框與之匹配。但是，這種情況我覺得基本上是不存在的。由於先驗框很多，某個ground truth的最大 IOU}肯定大於閾值，所以可能只實施第二個原則既可以了，TensorFlow版本就是隻實施了第二個原則。下圖爲一個匹配示意圖，其中綠色的GT是ground truth，紅色爲先驗框，FP表示負樣本，TP表示正樣本。

儘管一個ground truth可以與多個先驗框匹配，但是ground truth相對先驗框還是太少了，所以負樣本相對正樣本會很多。爲了保證正負樣本儘量平衡，SSD採用了hard negative mining，就是對負樣本進行抽樣，抽樣時按照置信度誤差（預測背景的置信度越小，誤差越大）進行降序排列，選取誤差的較大的top-k作爲訓練的負樣本，以保證正負樣本比例接近1:3。

（2）損失函數

訓練樣本確定了，然後就是損失函數了。損失函數定義爲位置誤差（locatization loss， loc）與置信度誤差（confidence loss, conf）的加權和：


（3）數據擴增

採用數據擴增（Data Augmentation）可以提升SSD的性能，主要採用的技術有水平翻轉（horizontal flip），隨機裁剪加顏色扭曲（random crop & color distortion），隨機採集塊域（Randomly sample a patch）（獲取小目標訓練樣本），如下圖所示：

四、SSD預測過程

預測過程比較簡單，對於每個預測框，首先根據類別置信度確定其類別（置信度最大者）與置信度值，並過濾掉屬於背景的預測框。然後根據置信度閾值（如0.5）過濾掉閾值較低的預測框。對於留下的預測框進行解碼，根據先驗框得到其真實的位置參數（解碼後一般還需要做clip，防止預測框位置超出圖片）。解碼之後，一般需要根據置信度進行降序排列，然後僅保留top-k（如400）個預測框。最後就是進行NMS算法，過濾掉那些重疊度較大的預測框。最後剩餘的預測框就是檢測結果了。

性能評估
SSD與其它檢測算法的對比結果（在VOC2007數據集）如表所示，基本可以看到，SSD與Faster R-CNN有同樣的準確度，並且與Yolo具有同樣較快地檢測速度。