目标检测—SSD系列算法原理介绍

article/2025/9/15 15:05:54

一、SSD系列算法原理介绍

1.1 SSD算法介绍:

        ➢Single Shot MultiBox Detector (one-stage方法)
         ●Wei Liu在ECCV 201 6提出
●直接回归目标类别和位置
                 ●不同尺度的特征图上进行预测
                 ●口端到端的训练
                 ●图像的分辨率比较低，也能保证检测的精度

1.2 SSD系列算法原理介绍

         ●主干网络: VGGNet
        ●多尺度Feature Map预测
        ●Default bounding boxes的类别分数、偏移量

        ➢主干网络介绍:
                ●VGG、 ResNet、 MobileNets等，各种卷积神经网
                ●将VGG最后两个FC改成卷积，并增加4个卷积层.

        ➢多尺度FeatureMap预测:
                 ●不同层的feature map
                 ●Prior box :类别概率和坐标(x,y,w,h)

1.3 算法细节介绍

●Prior Box Layer:
        ➢m*n个cell
        ➢每个cell. 上生成固定scale和aspect ratio的box
                ●假设- 个feature Map有mxn个cell,每个cell对应k 个default box,每个default box预测c个类别score和4个offset
                ●(C+4) *k * m*n个输出

●Prior Box Layer 步骤:

●Prior Box Layer特点:

➢shape数量越多，效果越好
➢Anchor

➢38*38*4 + 19*19*6 + 10*10*6 + 5*5*6 + 3*3*4+1*1*4= 8732个prior box

●Prior Box Layer实现 :
        ➢每一个feature map cell 不是k个default box都取
        ➢prior box与GT box做匹配, IOU>阈值为正样本
        ➢训练:确保prior box的分类准确且尽可能回归到GT box

●样本构造:
        ➢正样本
                从GT box出发给找到最匹配的prior box放入候选正样本集
        从prior box集出发，寻找与GT box;满足lOU> 0.5的最大prior，box放入候选正样本集
        ➢负样本
                难例挖掘
                正负样本比: 1:3

●难例挖掘流程

●数据增强:
        ➢随机采样多个path,与物体之间最小的jaccard overlap为: 0.1，0.3, 0.5， 0.7与0.9
        ➢采样的patch比例是[0.3, 1.0], aspect ratio在0.5或2
        ➢GT box中心在采样patch中且面积大于0
        ➢Resize到固定大小
        ➢以0.5 的概率随机的水平翻转

●损失函数:
        ➢分类loss +回归loss
        ➢分类loss: Softmax Loss
        ➢回归loss: Smooth L1 Loss

$L\left ( x,c,lg \right )=\frac{1}{N}\left ( L_{conf}\left ( x,y \right )+\alpha L_{loc}\left ( x,l,g \right ) \right )$

SSD系列网络结构

SSD系列算法损失函数计算
基本思路:
让每一个prior box回归到GT box，这个过程的调控我们需要损失层的帮助，它会计算真实值和预测值之间的误差，从而指导学习的走向

●使用细节:
        ➢数据增强时，Crop采样大小
        ➢多任务网络的权重
        ➢正负样本比例
        ➢难例挖掘方式默认只取64个最高predictions loss来从中寻找负样本

SSD系列算法性能比较分析

在PASCAL VOC2007 数据集对比结果：

Table 1: PASCAL VOC2007 test detection results. Both Fast and Faster R-CNN

use input images whose minimum dimension is 600. The two SSD models have exactly the same settings except that they have different input sizes (300 X 300 vs.500 X 500).It is obvious that larger input size leads to better results.

在PASCAL VOC2012数据集上的对比结果：

在MS COCO数据集上的对比结果：

对SSD算法而言其整体的FPS 相对YOLO来说，有所降低，速度有所损失；相比与Fast R-CNN而言SSD算法有了一个性能上的提升，mAP值也有所提升。

    ●数据增强对于结果的提升非常明显
        ●使用更多的feature maps对结果提升更大
        ●使用更多的default boxes,结果也越好
        ●Atrous 使得SSD又好又快

如果输入图像的尺寸越大对应SSD算法性能也会有一个比较大的提升，而输入图像的尺寸增大也意味着处理速度地下降。

SSD系列算法效果

二、SSD系列算法优化及扩展

2.1 优化算法一——DSSD

●DSSD:
➢201 7年的CVPR，WeiLiu
➢SSD算法对小目标不够鲁棒的最主要的原因是浅层feature map的表征能力不够强。
加入上下文信息
更好的基础网络(ResNet) 和Deconvolution层， skip连接来给浅层feature map更好的表征能力

DSSD改进点:
➢主干网络：ResNet
➢Deconv

使用RestNet作为主干网络，针对后续的prior box的输入会分别使用反卷积来获取更多的特征表示，再进行回归后会得到更加鲁棒的特征。

DSSD VS SSD:

●DSOD总结:
        ➢2017年的ICCV201 7
        ➢DSOD可以从0开始训练数据，不需要预训练模型，而且效果可以和fine-tune的模型媲美
        ➢SSD+ DenseNet= DSOD
                可以从零开始训练得到一个好的目标检测网络吗?
                如果可以，设计这样的网络有没有什么原则可以遵守?

预训练模型优点:
开源模型多，可以直接将他们用于目标检测
可以快速得到最终的模型，需要的训练数据也相对较少

预训练模型缺点:
        预训练模型大，参数太多，模型结构灵活性差,难以改变网络结构，计算量也大，限制其应用场合
        分类和检测任务的损失函数和类别分布是不一-样的，优化空间存在差异
        尽管微调可以减少不同目标类别分布的差异性,但是差异太大时，微调效果依然不理想

●DSOD设计原则:
        ➢基于候选区域提取的方法无法从零开始训练，不收敛,只有proposal-free方法可以从零开始训练并收敛(ROI Pooling)
        ➢DenseNet中更多的skip connections实现supervised signals传递.
        ➢增加dense blocks数量区别原先的固定数量
        ➢Stem Block优化(3个3x 3卷积层和1个2x2最大池化层)
        ➢6个尺度特征图进行目标检测，再融合(如何利用特征图)

DSOD网络结构：

2.2 优化算法二——FSSD

●FSSD设计原则:
        ➢借鉴了FPN的思想，重构了- -组pyramid feature map,使得算法的精度有了明显的提升,速度也没有太降
                把网络中某些feature调整为同一-szie再contact,得到一-个像素层，以此层为base layer来生成pyramid feature map
                  Feature Fusion Module

FSSD网络结构:

SSD:

FSDD:

FSSD实验结果对比:

2.3 优化算法三——RSSD

●RSSD设计原则:
➢rainbow concatenation方式(pooling加deconvolution) 融合不同层的特征，在增加不同层之间feature map关系的同时也增加了不同层的feature map个数。
➢这种融合方式不仅解决了传统SSD算法存在的重复框问题，同时一定程度上解决了'small object的检测问题。

RSSD网络结构: