论文：SSD: Single Shot MultiBox Detector
Github : SSD

SSD类似YOLO，和YOLO同属于目标检测算法中基于回归的算法。

Abstract

作者提出了SSD模型，把输出的bounding boxes看成一组不同尺度，不同大小的boxes。说白了，就是在不同尺度上的feature map上设置一系列不同大小的default boxes。实现了多尺度的检测，这个思路有点类似于faster rcnn里面的anchor boxes。不过anchor boxes实现多尺度的方法不是在不同的feature map上做回归，而是直接设置不同比例的boxes。SSD模型相比于rcnn系列模型，取消了region proposal的过程，即没有像素，特征重采样（对应于faster rcnn 的ROI Pooling）的过程，提升了运行速度，并且得益于多尺度的检测，精度上并没有损失，甚至在512x512大小的图片上超过了faster rcnn。

Introduction

基于深度学习的目标检测网络主要有两大类，一类是以RCNN为代表的region proposals方法，该类方法速度较慢，最快的faster rcnn在GPU上也只有7FPS，另一类是以YOLO为代表的基于回归的算法。YOLO虽然在速度上很快(45 FPS)，但是精度很低。作者本文就是解决了速度与精度的矛盾问题，提升了模型的速度，同时避免了精度的损失，SSD和YOLO同属一类基于回归的算法。

SSD

SSD和YOLO结构对比

1.预测过程

• 图片统一被缩放到固定大小(300x300)，然后送入base network(作者用的是VGG)，之后再通过多次卷积，每次卷积具有一定的stride，使得每次卷积后的特征图变小。这样就得到了一系列不同尺度的特征图。然后在这些不同尺度的特征图直接回归出目标的位置和类别信息。
• 所谓“直接回归出”：以上述结构中Conv7(FC7)特征图为例，该特征图大小为19x19x1024，此时，对于该19x19大小的特征图中，用(c+4) x k个滤波器去卷积，每个滤波器的大小应该为1024 x kernel_size x kernel_size（这里作者的kernel_size = 3）。那么卷积之后输出的就是19 x 19 x (c+4) x k 的张量。(c + 4) x k表示对于19 x 19特征图中的每一个像素都预测k个框，每个框有c+4个评分，c表示物体的属于哪一个类别，4表示框相对于default box（宽，高，中心位置坐标）的偏移量

2.训练过程

• 首先需要对每一个ground truth匹配相应的default box，一个ground truth可以匹配多个default box。如果ground truth和default box的重叠率大于一个阈值，则匹配为正样本，否则为负样本。

• 目标函数：偏置偏差损失+类别置信度损失

  
  目标函数
  

  其实就是位置偏移量以及是目标的置信度两项的和。具体计算公式参见论文，不赘述

• default boxes大小设置
  根据相应的特征图的尺度，设置不同大小的default box，具体计算公式参见论文。作者用了6个default box
• 其他trick
  Hard negative mining: 只有那些有最高训练损失（training loss）的负面样本（negative example）子集才会在每次训练迭代中被使用。SSD 的「正负」比一直保持在 1:3。
  Data augmentation: 随机裁剪

实验结果

取得了速度上的提升，精度也还不错。作者做的工作其实就是速度和精度的一个trade-off。主要创新之处在于：

• 多尺度的特征图上回归出坐标位置信息，这是精度的保证
• 相比于YOLO，SSD利用卷积而不是全连接进行回归出位置信息，这样参数少了很多，这是速度的保证
• 利用default boxes进行粗定位，类似于anchor机制，相比于YOLO直接划分cell进行回归一定程度上也可以保证其精度。