目标检测方法——SSD

SSD论文阅读（Wei Liu——【ECCV2016】SSD Single Shot MultiBox Detector）

---

目录

• 作者及相关链接
• 文章的选择原因
• 方法概括
• 方法细节
• 相关背景补充
• 实验结果
• 与相关文章的对比
• 总结

---

作者

• intro: ECCV 2016 Oral
• arxiv: http://arxiv.org/abs/1512.02325
• paper: http://www.cs.unc.edu/~wliu/papers/ssd.pdf
• slides: http://www.cs.unc.edu/%7Ewliu/papers/ssd_eccv2016_slide.pdf
• github: https://github.com/weiliu89/caffe/tree/ssd
• video: http://weibo.com/p/2304447a2326da963254c963c97fb05dd3a973
• github(MXNet): https://github.com/zhreshold/mxnet-ssd
• github: https://github.com/zhreshold/mxnet-ssd.cpp
• github(Keras): https://github.com/rykov8/ssd_keras

文章的选择原因

• 性能好，single stage

方法概括

1. 文章的方法介绍

   • SSD主要用来解决目标检测的问题（定位+分类），即输入一张待测图像，输出多个box的位置信息和类别信息
   • 测试时，输入一张图像到SSD中，网络输出一个下图最右边的tensor（多维矩阵），对该矩阵进行非极大值抑制（NMS）就能得到每个目标的位置和label信息
   • 

     Figure2的最右图的1th-20th Channel表示类别，每一个Channel上的map对应原图，last 4 channel的每一个map分别对应x,y,w,h的偏移量。最后4个通道可以确定一个box的位置信息，前20个通道确定类别信息。

2. 方法的pipeline和关键点

方法细节

• 模型结构

• 多尺度特征图

• 用来预测的卷积滤波器

• defaul box

• groundTruth的标定，损失函数

• default box和尺度的选择

• SSD的训练——Hard negative mining

• SSD的训练——数据扩增

相关背景补充

• Atrous算法（hole算法）

• FPS/SPF, Jaccard overlap

• 二类分类/检测常用的评价标准 （recall, precision, f-measure, accuracy, error, PR曲线和ROC曲线，AP，AUC）

• ImageNet多类分类的评价标准

• ImageNet单目标检测的评价标准

• ImageNet（多）目标检测的评价标准

实验结果

• PASCAL VOC2007 test detection结果

• 使用数据扩增、多尺度default box、atrous算法的对比效果

• SSD512在某类Ianimals)上的检测性能可视化

• SSD对于目标大小的敏感性实验

• SSD使用的feature map的个数对结果的影响

• 示例结果

• 时间和速度

与相关文章的对比

• 原始R-CNN方法的变形

• Faster R-CNN和SSD对比

• YOLO和SSD对比

总结

• 文章贡献

  • SSD, a single-shot detector for multiple categories (faster than YOLO, accurate as Faster R-CNN)
  • The core of SSD is predicting category scores and box offsets for a fixed set of default bounding boxes using small convolutional filters applied to multiple feature maps from different layers
  • Experimental evidence: high accuracy, high speed, simple end-to-end training (single shot)

• SSD对于其他方法的改进的关键点

• • Using a small convolutional filter to predict object categories and offsets in bounding box locations
  • Using separate predictors (filters) for different aspect ratio detections
  • Using multiple layers for prediction at different scales (apply these filters to multiple feature maps to perform detection at multiple stages)