SSD算法简单解析

article/2025/9/15 13:22:39

前言

今天学习SSD目标检测算法，SSD，全称Single Shot MultiBox Detector，是2016年提出的算法，今天我们还是老规矩，最简单的做算法解析，力求让像我一样的小白也可以看得懂。

算法初识

1》算法能干什么？
答：可以检测图片中的目标，并且画框并予以分类，21类（其实是20类，为什么后面会说）。

2》算法有什么优点？
答：SSD是one—stage算法，比Faster RCNN比YOLO准确。但是缺点也很明显，首先很多参数需要手工设置，调试需要依赖经验，其次对小目标不敏感，特征提取不充分导致精度下降。

算法框架

在这里插入图片描述
下面我么说一下SSD的基本结构和特点吧，首先SSD仍然用VGG16提取特征，其次SSD采用金字塔结构，即利用了conv4-3/conv-7/conv6-2/conv7-2/conv8_2/conv9_2这些大小不同的feature maps，在多个feature maps上同时进行softmax分类和位置回归。SSD还加入了Prior box，这个词大家可能有点陌生但是如果把他放到Faster RCNN中他就叫anchors，所以其实他就是先验框。这里我们先说一下Prior Box吧。
SSD按照如下规则生成prior box：以feature map上每个点的中点为中心，生成一些列同心的prior box，正方形prior box最小边长为和最大边长为：
在这里插入图片描述
prior box形状如下：

然后我们看一下prior box的预计的输出：

我们可以看出最终的输出有三个：
1）softmax分类目标，目标分类一共21种，其实是20种因为SSD把非目标也当做一种类别。
2）bounding box regression就是回归的目标。
3）variance这相当于对bounding box regression的补充参数，其实就是bounding box regression的权重。
这里大概的结构就差不多了，我们在看一下结构图：
在这里插入图片描述
SSD的网络结构并不复杂，但是有一点需要解决，就是如何把6个尺寸的特征图合并为一个。下面我们以conv4_3和fc7为例分析SSD是如何将不同尺寸的特征图合并的。

对于conv4_3 feature map，conv4_3_norm_priorbox（priorbox层）设置了每个点共有4个prior box。由于SSD 300共有21个分类，所以conv4_3_norm_mbox_conf的channel值为num_priorbox * num_class = 4 * 21 = 84；而每个prior box都要回归出4个位置变换量，所以conv4_3_norm_mbox_loc的caffe blob channel值为4 * 4 = 16。fc7每个点有6个prior box，其他feature map同理。经过一系列图7展示的caffe blob shape变化后，最后拼接成mbox_conf和mbox_loc。而mbox_conf后接reshape，再进行softmax（为何在softmax前进行reshape，Faster RCNN有提及）。最后这些值输出detection_out_layer，获得检测结果。依照这种法则，我们就可以完成多尺度检测。
最后我们这里有额外两点来说：
1）般情况下negative default boxes数量>>positive default boxes数量，直接训练会导致网络过于重视负样本，从而loss不稳定。所以需要采取：所以SSD在训练时会依据confidience score排序default box，挑选其中confidence高的box进行训练，正负比例1:3。
2）SSD同样会对数据进行处理扩充裁剪方法：旋转、放大、缩小、裁剪。

损失函数

老规矩，由于是简单解析所以我们并不细讲损失函数，略讲：
在这里插入图片描述
我们可以看到损失分为两种：confidence loss和location loss，confidence loss是典型的softmax loss、location loss是典型的smooth L1 loss。而参数N是prior box数量，α是权重。