SSD物體檢測演算法詳解

輕墨發表於2019-04-09

物體檢測演算法，按演算法結構，可以分為one-stage和two-stage兩類。

two-stage經典演算法主要是R-CNN族，以準確度見長，速度稍慢，一般不如one-stage。

one-stage演算法主要包括YOLO、SSD、CornerNet等，以速度快見長，準確度一般不如two-stage。本文分享的SSD就是經典的one-stage演算法。

上圖是物體檢測演算法整個演化座標軸，可以看出SSD的釋出，是在Faster R-CNN和YOLO v1之後。YOLO v1是one-stage檢測演算法的開山之作，速度碾壓Faster R-CNN，但準確性遠不如Faster R-CNN。SSD沿用了YOLO v1的基本思路，糅合了Faster R-CNN的anchor-box，又開創性的提出了多解析度預測，最終達到了極快又準，如下表。

SSD單一scale的檢測原理

這裡先直接給出具體的模型計算方法，後面再解釋原理，否則原理解釋起來非常晦澀難懂。

1）模型

a) 輸入圖片經過特徵提取器（SSD採用VGG16做特徵提取器），得到H x W x Channel的Extracted Feature Map。

b) 將上述Extracted Feature Map，經過3 x 3 x (25 x num_default_box)的卷積核，卷積成H x W x (25 x num_default_box)的feature map作為物體檢測的predict。如下圖（圖中num_default_box=4）：

上述兩步，就已經完成了物體檢測的predict。足夠簡單

2）原理解釋

由卷積的特性可知，從輸入圖片到HxW解析度的預測，相當於將原解析度的輸入圖片進行HxW等分，如下圖（這裡h=2，w=2）：

為了更準確的預測物體bounding box，SSD借鑑了faster rcnn中的default box思想。

先假設，每一個cell中已經存在多個default box，default box的長寬固定，位於每一個cell正中。

以下圖為例，每一個cell中有四個固定大小的default box。

那麼在predict時，每一個cell就會有4個預測，每一個預測對應一個default box。如下圖：

具體到一個default box的預測，分為兩個部分，如上圖中的default box 1，

P_i（i=background, c1, …, c20），代表的是這個default box的物體類別。P_background代表是背景的概率，P_ci代表是類別ci的概率（這裡採用的VOC資料集，共有20個物體類別），所有概率值之和為1，取概率值最大的類作為default box的類別預測值。
Δcx, Δcy, Δw, Δh代表default box內的物體目標框與default box的位置之間的偏差。Δcx, Δcy代表中心點的偏差，Δw, Δh代表寬高的偏差。具體的含義可以參考Loss計算章節。

所以一個default box會有25個預測結果，4個default box就有100個。這就是上文模型部分predict中的100的意義。

3）Loss計算

根據上述分析可知，每個cell都有4個default box，HxW的解析度，則會有4HW個預測結果。對於監督學習，需要知道每個default box對應的標籤Ground Truth。SSD對於真實GT物體框的分配策略是，首先將GT分配給IoU最大的default box，然後將GT分配給IoU大於0.5的default box，也即同一個GT會分配給不同的default box，不同的default box對應的GT可能是同一個。