[论文理解]SSD:Single Shot MultiBox Detector

SSD:Single Shot MultiBox Detector

Intro

SSD是一套one-stage算法实现目标检测的框架，速度很快，在当时速度超过了yolo，精度也可以达到two-stage的精度，可以与faster rcnn媲美，这套算法里用到了与faster rcnn的anchor相似的概念-default box，也解决了多尺度问题对one-stage的影响-对不同大小的feature map进行滑窗分类，使得不同尺度的feature map的分类器对原图目标尺度更加敏感。

one-stage和two-stage的算法区别主要在于，two-stage算法在区域提取的时候做分类是前景和背景，只有两个分类，然后再拿去给第二个专门用来分类的网络去学习分类具体类别；而one-stage算法直接在区域提取的时候给分类结果（这其中其实还设计到训练的时候default boxes 的label与ground truth label匹配的问题），我认为这是最大的不同。

Model

模型的结果其实很容易理解，就是在vgg16后面开始一边对每个feature map直接做分类，一边继续压缩feature map的size，然后继续做分类，以此类推。最后把所有的detection结果做nms。

文章先介绍了SSD作为多尺度检测器是通过对feature map的不同尺度进行的，而怎么做这个检测呢？利用类似于anchor的方法，在不同尺度的feature map上用3*3卷积核滑窗，这样每个卷积核作用得到一个结果，而对每个feature map cell，作者又安排了一组对应的default boxes，这些default boxes在size上有所不同，比例是预先设计好的。每个cell安排(c+4)*k个卷积核，c表示类别，4表示offset，k表示default boxes种类，这样，对每个default box而言，有不同的卷积核负责算类别概率、与bounding box的偏移值。因此，对于一个m*n的feature map而言，输出的结果有m*n*k*(c+4)个。作者也说了，他们设计的default boxes其实是类似于anchor boxes的，这点毋庸置疑。

Training

之前说过，训练很重要的一点是label的对应，因此作者在这里首先讲了匹配的策略。先从每个default box开始，把每个default box匹配一个与之重叠度最高的ground truth，这里重叠度用的jaccard算法，其实跟iou是一样的，交集比上并集，然后还没完，又从ground truth出发，让每个ground truth能够对应与之jaccard重叠度大于0.5的default boxes，然后把小于0.5的去除。这样减少了训练的数量，大大简化了训练。举个例子，一套简单题，一个同学在班上分数最高，他肯定就是这个班最强的人了，但是他只有五十分，你说选他还是不选他，菜鸡！当然不选了。

上面建立了从default box到ground truth box在空间上的映射，然后提出loss：

这里又通过p将空间映射在类别上细分。我们知道每个default box的预测有(c+4)个值，所以对于l，只需要说明是第几个参与训练的default box和第m个位置预测，m当然是在那4个中选，至于你安排哪几个预测位置，完全看你自己。两者经过smooth L1函数运算完，再看看类别对应上没有，显然对应上了这个值就应该是1，以此来最小化loss。分类的loss是所有正例分类概率的-log乘上匹配值，显然匹配上了是1，如果每匹配上，就是所有正例概率-log之和，加上负样本预测背景的概率-log，就是全预测0就是背景，即对0的预测概率，显然概率越高loss越小。

然后是hard negative mining，在经过matching之后，其实大多数default box是负样本，这就导致了正负样本极度不均衡，然后就把一些负样本变正呗，把iou高的变正，保证正负样本比例位1：3.

最后是数据增强，增强选项包括：

1. 直接用原图
2. sample a patch（实在不知道咋翻译但是会意就好了）使得iou是0.1 0.3 0.5 0.7 或者0.9
3. 随机sample a patch（不用保证是上面的0.1 0.3 0.5 0.7 0.9）

实验部分到后面统一做，直接把看过的都用mxnet写一遍吧。希望有一天买得起GPU，不用天天看书而无法正儿八经跑项目和比赛。真心想参加比赛！！