ssd: single shot multibox detector
**翻譯：
**詳解：
****：
圖1：
圖2：
演算法步驟：
1、輸入一幅（300x300），將其輸入到預訓練好的分類網路中來獲得不同大小的特徵對映，修改了傳統的vgg16網路；
2、抽取conv4_3、conv7、conv8_2、conv9_2、conv10_2、conv11_2層的feature map，然後分別在這些feature map層上面的每乙個點構造6個不同尺度大小的bbox，然後分別進行檢測和分類，生成多個bbox，如圖2所示；
3、將不同feature map獲得的bbox結合起來，經過nms（非極大值抑制）方法來抑制掉一部分重疊或者不正確的bbox，生成最終的bbox集合（即檢測結果）；
（1）多尺度特徵對映
ssd演算法中使用到了conv4_3,conv_7，conv8_2,conv7_2,conv8_2,conv9_2,conv10_2,conv11_2這些大小不同的feature maps，其目的是為了能夠準確的檢測到不同尺度的物體，因為在低層的feature map,感受野比較小，高層的感受野比較大，在不同的feature map進行卷積，可以達到多尺度的目的。
why?：我們將一張輸入到乙個卷積神經網路中，經歷了多個卷積層和池化層，我們可以看到在不同的卷積層會輸出不同大小的feature map（這是由於pooling層的存在，它會將的尺寸變小），而且不同的feature map中含有不同的特徵，而不同的特徵可能對我們的檢測有不同的作用。總的來說，淺層卷積層對邊緣更加感興趣，可以獲得一些細節資訊，而深層網路對由淺層特徵構成的複雜特徵更感興趣，可以獲得一些語義資訊，對於檢測任務而言，一幅影象中的目標有複雜的有簡單的，對於簡單的patch我們利用淺層網路的特徵就可以將其檢測出來，對於複雜的patch我們利用深層網路的特徵就可以將其檢測出來，因此，如果我們同時在不同的feature map上面進行目標檢測，理論上面應該會獲得更好的檢測效果。
如上圖所示，在特徵圖的每個位置**k個bbox，對於每乙個bbox，**c個類別得分，以及相對於default box的4個偏移量值，這樣總共需要(c+4)×k個**器，則在m×n的feature map上面將會產生(c+4)×k×m×n個**值。
分析：
ssd中的de****t box和faster-rcnn中的anchor機制很相似。就是預設一些目標預選框，後續通過softmax分類+bounding box regression獲得真實目標的位置。對於不同尺度的feature map 上使用不同的default boxes。如上圖所示，我們選取的feature map包括38x38x512、19x19x1024、10x10x512、5x5x256、3x3x256、1x1x256，conv4_3之後的feature map預設的box是4個，我們在38x38的這個平面上的每一點上面獲得4個box，那麼我們總共可以獲得38x38x4=5776個；同理，我們依次將fc7、conv8_2、conv9_2、conv10_2和conv11_2的box數量設定為6、6、6、4、4，那麼我們可以獲得的box分別為2166、600、150、36、4，即我們總共可以獲得8732個box，然後我們將這些box送入nms模組中，獲得最終的檢測結果。
de****t box生成規則：
loss函式分為兩部分：計算相應的default box與目標類別的confidence loss以及相應的位置回歸。
其中n是match到ground truth的default box數量；而alpha引數用於調整confidence loss和location loss之間的比例，預設alpha=1。
位置回歸則是採用smooth l1 loss，loss函式為:
confidence loss是典型的softmax loss：
目標檢測之SSD
ssd single shot multibox detector 翻譯 詳解 圖1 圖2 演算法步驟 1 輸入一幅 300x300 將其輸入到預訓練好的分類網路中來獲得不同大小的特徵對映，修改了傳統的vgg16網路 2 抽取conv4 3 conv7 conv8 2 conv9 2 conv10 ...
目標檢測之 SSD
ssd300 網路結構圖 ssd單階段目標檢測，候選框密集抽樣。作為單階段的目標檢測，其速度還是比faster快很多的，但是精度還是差點。ssd300共用了6層特徵，進行目標檢測，ssd512用了7層特徵，每一層的default box數量不同如上圖分別為 4,6,6,6,4,4，4為設定的乙個大正...
目標檢測演算法之SSD
昨天介紹了特徵金字塔網路用於目標檢測，提公升了多尺度目標檢測的魯棒性，今天開始講講one stage目標檢測演算法中ssd演算法。這個演算法是我平時做工程中最常用到的，嚴格來說平時最常用的mobilenet做backbone的ssd演算法，因為要考慮到實際部署的時候的速度要求。本文提出了僅需要單個卷...