论文：DSSD : Deconvolutional Single Shot Detector
来源：CVPR 2017

1. 概述

DSSD是对SSD的改进，虽然SSD直接在多尺度特征上进行预测的做法提升了目标检测的准确度，但仍在存在一些缺点：

• SSD backbone（VGG16）的特征提取能力不够强；
• 浅层特征的语义信息不够强，导致小目标的检测效果不好。

既然SSD骨干网络VGG16的特征提取能力不够强，就将其换成ResNet-101，但是，骨干网络换成ResNet-101后，在不同数据集下的测试结果却不一样。

（1）VOC 2007测试集

• 在VOC 2007测试集中，目标检测准确度有所下降，但增大输入图像尺寸再比较时，SSD321+ResNet-101的效果更好。

• SSD300+VGG16：$mAP=0.775$；

• SSD321+ResNet-101：$mAP=0.764$。

• SSD512+VGG16：$mAP=0.795$；

• SSD513+ResNet-101：$mAP=0.806$。

• 作者在论文中并未对这一现象进行解释。个人理解是，每个网络的性能与输入图像分辨率的关系是不同的，即，随着输入图像分辨率的增大，网络性能的提升速度是不同的。由于VGG16的感受野较小，ResNet-101的感受野较大，分辨率为300的输入图像可能更适合感受野较小的VGG16，而分辨率为300的输入图像可能更适合感受野较大的ResNet-101，但这也会因数据集不同而不同。

（2）COCO测试集

• 在COCO测试集中，目标检测准确度显著上升。
  
• COCO数据集上的结果表明，相比VGG16，ResNet-101的特征提取更强，更加有利于物体的检测，而ResNet-101的高分辨率输出特征图在网络中的层级更加深，所以会丢失更多细节信息，导致小目标检测效果变得更差了。在SSD321+ResNet-101在VOC测试集上的目标检测准确度有所下降，这似乎无法解释。

不管是SSD300+VGG16还是SSD321+ResNet-101，其小目标检测效果都比较差，于是这篇论文着重于改善小目标的检测性能。

2. DSSD

2.1 overview

• 在detection head中引入残差单元，优化候选框回归和分类任务输入的特征图。
• 提出基于top-down的网络结构，并用反卷积代替传统的双线性插值上采样。
  

2.2 Prediction module

• (a)是SSD的detection head，其采用简单的卷积层进行输出；
• 受MS-CNN的启发，detection head的特征处理能力越强，检测效果越好。于是，作者引入了残差单元，(b)~(d)是几种残差单元后引入方法，实验发现（c）的效果最好。
  

2.2 Deconvolution Module

DSSD的网络结构其实与TDM、FPN是相似的，都是由3部分组成：

• 自下而上的特征提取通道
• 自上而下的特征融合通道
• 横向连接通道

不同的是上采样方法和特征叠加方法：

• TDM：用双线性插值做上采样，用concat进行特征叠加（沿通道方向叠加）；
• FPN：用双线性插值做上采样，用element-wise sum进行特征叠加（逐元素相加）；
• DSSD：用反卷积做上采样，用element-wise product进行特征叠加（逐元素相乘）。

DSSD中验证了两种特征叠加方法：element-wise sum和element-wise product，发现element-wise product稍好一些。