目标检测（二）SSD
一、背景
针对YOLO和Faster R-CNN的各自不足与优势，WeiLiu等人提出了Single Shot MultiBox Detector，简称为SSD算法（单步多框检测），其英文全名是Single Shot MultiBox Detector，属于one-stage方法，YOLO速度是比较快，但是会有许多漏检，尤其是小目标，SSD算法同时融合YOLO的无显示候选框提取和Faster-CNN 的Anchor 机制，并在特征空间中融合了不同卷积层的特征进行预测。本文详细介绍SSD的相关特性与网络结构，并在后面用tensorflow实现SSD。
二、特性
多尺度网络结构
上图是SSD和YOLO的网络结构，通过对比可以发现，SSD的优点就是它生成的 default box 是多尺度的，这是因为SSD生成default box 的 feature map 不仅仅是CNN输出的最后一层，还有利用比较浅层的feature map 生成的default box。所以SSD对于小目标的检测一定会优于YOLO v1（小目标经过高层卷积后特征几乎都消失了）。同时，又因为SSD生成的多尺度default box一定有更高概率找到更加贴近于 Ground Truth 的候选框，所以模型的稳定性是肯定比YOLO强的（YOLO的bounding box很少，只有98个，如果距离GT比较远，那么修正 bounding box 的线性回归就不成立，训练时模型可能会跑飞）。但是SSD的候选框数量是三种经典网络中最多的，有8732个，所以训练时应该会比较慢。
特征分层提取 （大特征图（靠前的特征图）检测小目标，小特征图（靠后的特征图检测大目标）
SSD网络主体设计的思想是特征分层提取，并依次进行边框回归和分类。
多尺度采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，在前面大的特征图中，如8X8的FeatureMap cell中，每个cell 中会产生k个先验框（default box), 此先验框会根据公式算出比例，大的特征图比例会小一些，因此在大的特征图上检测小目标更加精准。 每个先验框包括两部分，第一部分是各个类别的置信度或者评分，第二部分边界框的location，包含边界框的中心坐标以及宽高。
具体scale公式与loss函数参考https://zhuanlan.zhihu.com/p/33544892
如图
三、总流程
1、 基于VGG 前几层，每一层都得出一个feature map, 大的feature map检测小目标，小的feature map检测大目标；
2、 在feature map上使用scale 等公式计算框的多少与大小， 每个feature map cell 都有k个大于自己的框；
3、 将框与边界框标注的中心 作匹配，得出正负样本；
4、 每个框有类别与坐标值，参与训练，之后再后向传播；
5、 最后利用边框回归得出正确的框；