SSD【目标检测篇】

一、背景

• faster RCNN的缺点：
  • 对小目标检测效果很差、
  • 模型大。检测速度慢

二、SSD

• 上面可以看到，经过backbone得到的featuremap会经过6个不同的预测特征层，预测不同比例、不同尺度的目标（目的是可以检测不同的大小的物体）
• 最后在经过非极大值抑制（滤除小概率目标）得到最终的预测结果

1、Defaulte Box的scale以及aspect

• 在这6个feature map上会生成8732个Default Box
• 下面给出预测特征层1与预测特征层4
  
  

2、Prdictor的实现

• 对于size为mn，channel为p的feature layer，使用33*p的卷积核去卷积，得到类型概率分数以及default box的坐标偏移量
• 对feature map上的每一个位置会生成k个default box。对应的一个位置生成c个类别分数以及4个坐标偏移量（x,y,w,h）。最后得到我们总共需要（c+4）*k个卷积核

三、训练

1、正负样本得选取

• 正样本匹配准则：
  • 每一个真实框匹配IOU值最大default box
  • 任意一个default box只要与任何一个真实框的IOU值大于0.5。
• 负样本：
  • 剩下的负样本计算他们the highest confidence loss。

2、损失的计算

参考链接：https://www.bilibili.com/video/BV1fT4y1L7Gi/
参考链接：https://pan.baidu.com/s/15zF3GhIdg-E_tZX2Y2X-rw