5、SSD原理（Single Shot MultiBox Detector）

時間 2019-11-09

標籤 ssd 原理 single shot multibox detector 欄目存儲简体版

原文原文鏈接

主流的算法主要分爲兩個類型：ios

（1）tow-stagees6

R-CNN系列算法，其主要思路是先經過啓發式方法（selective search）或者CNN網絡（RPN）產生一些列稀疏的候選框，而後對這些候選框進行分類和迴歸。two-stage方法的優點是準確度高。算法

（2）one-stage網絡

如YOLO和SSD，主要思路是均勻的在圖片的不一樣位置進行密集抽樣，抽樣時能夠採用不一樣尺度和長寬比，而後利用CNN提取特徵後直接進行分類和迴歸，整個過程只須要一部，因此其優點是速度快。架構

均勻的密集採樣的一個重要缺點是訓練比較困難，這主要是由於正樣本與負樣本極其不平衡，致使模型準確度稍低，不一樣算法的性能如圖：app

SSD英文名是（Single Shot MultiBox Detector），single shot指的是SSD算法屬於one-stage方法，MultiBox說明SSD是多框預測。框架

上圖能夠看出SSD在準確度和速度（除了SSD512）上都比YOLO要好不少。dom

下圖是不一樣算法的基本框架圖，對於Faster R-CNN，其先經過CNN獲得候選框，而後再進行分類和迴歸，而Yolo與SSD能夠一步到位完成檢測。相比於YOLO，SSD採用CNN來直接進行檢測，而不是像YOLO那樣在全鏈接層以後再作檢測。ide

其實採用卷積直接作檢測只是SSD相比於YOLO的其中一個不一樣點，另外還有兩個重要的改變，一是SSD提取不一樣尺度的特徵圖來作檢測，大尺度特徵圖（較靠前的特徵圖）用來檢測小物體，小尺度特徵圖（較靠後的特徵圖，感覺野大）用來檢測大物體；二是SSD採用了不一樣尺度和長寬比的先驗框（Prior boxes, Default boxes，在Faster R-CNN中叫作錨，Anchors）。Yolo算法的缺點是難以檢測小目標，並且定位不許，可是這幾點重要的改進使得SSD在必定程度上克服這些缺點。函數

設計理念

SSD和YOLO都是採用一個CNN網絡來進行檢測，可是卻採用了多尺度的特徵圖，其基本架構以下圖，下面將SSD核心設計理念總結爲如下三點：

（1）採用多尺度特徵圖用於檢測

所謂多尺度採用大小不一樣的特徵圖，CNN網絡通常前面的特徵圖比較大，後面會逐漸採用stride=2的卷積或者pool來下降特徵圖大小，下圖所示，一個比較大的特徵圖和一個比較小的特徵圖，他們都用來作檢測。這樣作的好處是比較大的特徵圖用來檢測相對較小的目標，而小的特徵圖負責檢測大目標，8x8的特徵圖能夠劃分更多的單元，可是其每一個單元的default box尺度比較小。

（2）採用卷積進行檢測

與Yolo最後採用全鏈接層不一樣，SSD直接採用卷積對不一樣的特徵圖來進行提取檢測結果。對於形狀爲的特徵圖，只須要採用這樣比較小的卷積核獲得檢測值。

（3）設置先驗框default boxes

在YOLO中，每一個單元預測多個邊界框，可是其都是相對這個單元自己（正方塊），可是真實目標的形狀是多變的，Yolo須要在訓練過程當中自適應目標的形狀。而SSD借鑑了Faster R-CNN中anchor的理念，每一個單元設置尺度或者長寬比不一樣的default boxes，預測的邊界框（bounding boxes）是以這些先驗框爲基準的，在必定程度上減小訓練難度。

通常狀況下，每一個單元會設置多個default boxes，其尺度和長寬比存在差別，以下圖所示，能夠看到每一個單元使用了4個不一樣的default boxes，圖片中貓和狗分別採用最適合它們形狀的先驗框來進行訓練，後面會詳細講解訓練過程當中的先驗框匹配原則。

SSD的檢測值也與YOLO不太同樣，對於每一個單元cell的每一個先驗框default box，其都輸出一套獨立的檢測值，對於一個bouding box，主要分爲兩個部分：

第一個部分是各個類別的置信度或者評分
- 值得注意的是SSD將背景也當作了一個特殊的類別，若是檢測目標共有c個類別，SSD其實須要預測c+1個置信度值，其中第一個置信度是不含目標或者屬於背景的評分。後面當咱們說c個類別置信度時，請記住裏面包含背景那個特殊的類別，即真實的檢測類別只有c-1個。
- 在預測過程當中，置信度最高的那個類別就是邊界框所屬的類別。特別的，當第一個置信度最高時，表示邊界框中並不包含目標。
第二個部分就是邊界框的location，包含4個值，分別表示邊界框的中心座標以及寬高。可是真實預測其實只是預測邊界框相對於先驗框的轉換值（offset）。
- 先驗框（anchor）位置用表示，其對應預測的邊界框用表示，那麼邊界框的預測值l實際上是b相對於d的轉換值：

習慣上，咱們稱上面這個過程爲邊界框的編碼（encode），預測時，你須要反向這個過程，即進行解碼（decode），從預測值l中獲得邊界框的真實值b：

然而，在SSD的caffe源碼實現中還有trick，那就是設置variance超參數來調整檢測值，經過bool參數variance_encoded_in_target來控制兩種模式。當其爲true時，表示variance（方差）被包含在預測值中，就是上面那種狀況，若是是false（大部分採用這種方式，訓練更容易），就須要手動設置超參數variance，用來對l的4個值進行放縮，此時邊界框須要這樣解碼：

綜上所述，對於一個大小的特徵圖，共有m x n 個單元，每一個單元設置的先驗框數目記爲k，那麼每一個單元共須要個預測值，全部的單元共須要個預測值，因爲SSD採用卷積作檢測，因此就須要個卷積核來完成這個特徵圖的檢測過程。（卷積核參數共享）。

網絡結構

SSD採用VGG16做爲基礎模型，而後在VGG16的基礎上新增了卷幾層來得到更多的特徵圖以用於檢測。SSD網絡結構如圖所示：

很明顯能夠看出SSD利用了多尺度的特徵圖作檢測，模型的輸入圖片大小是（還能夠是），其與前者網絡結構沒有差異，只是最後新增一個卷積層。

採用VGG16作基礎模型，首先VGG16是在ILSVRC CLS-LOC數據集預訓練。而後借鑑了DeepLab-LargeFOV，分別將VGG16的全鏈接層fc6和fc7轉換成 $3\times3$ 卷積層 conv6和 $1\times1$ 卷積層conv7，同時將池化層pool5由原來的stride=2的 $2\times 2$ 變成stride=1的 $3\times 3$ （猜測是不想reduce特徵圖大小），爲了配合這種變化，採用了一種Atrous Algorithm，其實就是conv6採用擴展卷積或帶孔卷積（Dilation Conv），其在不增長參數與模型複雜度的條件下指數級擴大卷積的視野，其使用擴張率(dilation rate)參數，來表示擴張的大小，以下圖6所示，(a)是普通的 $3\times3$ 卷積，其視野就是 $3\times3$ ，(b)是擴張率爲1，此時視野變成 $7\times7$ ，(c)擴張率爲3時，視野擴大爲 $15\times15$ ，可是視野的特徵更稀疏了。Conv6採用 $3\times3$ 大小但dilation rate=6的擴展卷積。

而後移除dropout層和fc8層，並新增一系列卷積層，在檢測數據集上作finetuing。

其中VGG16中的Conv4_3層將做爲用於檢測的第一個特徵圖。conv4_3層特徵圖大小是 $38\times38$ ，可是該層比較靠前，其norm（範數）較大，因此在其後面增長了一個L2 Normalization層（參見ParseNet），以保證和後面的檢測層差別不是很大，這個和Batch Normalization層不太同樣，其僅僅是對每一個像素點在channle維度作歸一化，而Batch Normalization層是在[batch_size, width, height]三個維度上作歸一化。歸一化後通常設置一個可訓練的放縮變量gamma，使用TF能夠這樣簡單實現：

1 # l2norm (not bacth norm, spatial normalization)
2 def l2norm(x, scale, trainable=True, scope="L2Normalization"):
3     n_channels = x.get_shape().as_list()[-1]
4     l2_norm = tf.nn.l2_normalize(x, [3], epsilon=1e-12)
5     with tf.variable_scope(scope):
6         gamma = tf.get_variable("gamma", shape=[n_channels, ], dtype=tf.float32,
7                                 initializer=tf.constant_initializer(scale),
8                                 trainable=trainable)
9         return l2_norm * gamma

從後面新增的卷積層中提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2做爲檢測所用的特徵圖，加上Conv4_3層，共提取了6個特徵圖，其大小分別是，可是不一樣特徵圖單元cell設置的先驗框數目不一樣（同一個特徵圖上每一個單元設置的先驗框是相同的，這裏的數目指的是一個單元的先驗框數目）。先驗框的設置，包括尺度（或者說大小）和長寬比兩個方面。對於先驗框的尺度，其遵照一個線性遞增規則：隨着特徵圖大小下降，先驗框尺度線性增長

每個feature map中的每個小格子（cell）都包含多個default box，同時每一個box對應loc（位置座標）和conf（每一個種類的得分）。

default box長寬比例默認有四個和六個：

四個default box是長寬比（aspect ratios）爲（1:1）、（2:1）、（1:2）、（1:1）；六個則是添加了（1:3）、（3:1）

爲何會有兩個（1:1）呢。這時候就要講下論文中Choosing scales and aspect ratios for default boxes這段內容了。做者認爲不一樣的feature map應該有不一樣的比例（一個大框一個小框，長寬比相同，大框是指不一樣feature map 相對於原圖的尺寸比例不一樣），這是什麼意思呢，表明的是default box中這個1在原圖中的尺寸是多大的，計算公式以下所示：

S_k即表明在300*300輸入中的比例，表示先驗框大小相對於圖片的比例

m爲當前的feature map是第幾層； m=5，由於一共有6個feature map，可是第一層（Conv4_3層）是單獨設置的

k表明的是一共有多少層的feature map

S_min和S_max表明的是第一層和最後一層所佔的比例，比例的最小值和最大值，在ssd300中爲0.2-0.9。

計算：

第一個feature map 是 conv4_3：默認設置比例爲0.2/2=0.1，此時k=1

第二個feature map 是 conv7： k=2，s = 0.2 +(0.7/4) x (2-1) =0.375 ，最後300x0.375 = 112.5，這個就是在這個feature map中比例爲1的這個default box 的尺寸相對於原圖300x300 的大小。

爲何default box的size有兩個1嗎？

做者在這有引入了一個 $s'_{k}=\sqrt{s_k s_{k+1}}$ ，也就是每一個特徵圖都設置了兩個長寬比爲1大小不一樣的正方形default box。有的小夥伴可能會有疑問，這有了Sk+1則須要多出來一部分的S_k啊，是的沒錯，最後一個特徵圖須要參考 $s_{m+1}=300\times105/100=315$ 來計算 $s'_{m}$ ，所以每一個特徵圖（的每一個cell）都有6個default box $\{1,2,3,\frac{1}{2},\frac{1}{3},1'\}$ （aspect ratios），可是在實現時， Conv4_3，Conv10_2，Conv11_2僅僅使用4個先驗框（default box），不使用長寬比爲3,1/3的先驗框（default box）。做者的代碼中就添加了兩層，第一層取0.1，最後一層取1。

注：對於第一個特徵圖，先驗框（default box）的尺度比例通常 $s_{min}/2=0.1$ ，則尺度爲300x0.1=30。

對於後面的特徵圖，先驗框尺度比例按照上面公式線性增長，先將尺度比例放大100倍，而後再計算獲得Sk，而後再將Sk除以100，再乘以圖片大小，就能夠獲得各個特徵圖的先驗框的size

那麼S怎麼用呢？按以下方式計算先驗框的寬高（這裏的Sk是上面求得的各個特徵圖的先驗框的實際size，再也不是尺度比例）：

$w^a_{k}=s_k\sqrt{a_r},\space h^a_{k}=s_k/\sqrt{a_r}$

a_r表明的是以前提到的default box（aspect ratios）比例，即 $a_r\in \{1,2,3,\frac{1}{2},\frac{1}{3}\}$

對於default box中心點的值取值爲：

$(\frac{i+0.5}{|f_k|},\frac{j+0.5}{|f_k|}),i,j\in[0, |f_k|)$

其中i，j表明在feature map中的水平和垂直的第幾格

f_k表明的是feature map的size

每一個單元的先驗框中心點分佈在各單元的中心

獲得特徵圖後，須要對特徵圖進行卷積獲得檢測結果，下圖給出了一個5x5大小的特徵圖檢測過程：

Priorbox是獲得先驗框，生成規則前面已經講了。

檢測值包含兩個部分：類別置信度和邊界框位置，各採用一次3x3卷積來進行完成。

是該特徵圖所採用的先驗框數目，那麼類別置信度須要的卷積核數量爲 $n_k\times c$ ，而邊界框位置須要的卷積核數量爲 $n_k\times 4$ 。因爲每一個先驗框都會預測一個邊界框，因此SSD300一共能夠預測

　 Conv4_3 獲得的feature map大小爲38*38：38*38*4 = 5776

　　Conv7 獲得的feature map大小爲19*19：19*19*6 = 2166

　　Conv8_2 獲得的feature map大小爲10*10：10*10*6 = 600

　　Conv9_2 獲得的feature map大小爲5 * 5 ：5 * 5 * 6 = 150

　　Conv10_2獲得的feature map大小爲3 * 3 ：3 * 3 * 4 = 36

　　Conv11_2獲得的feature map大小爲1 * 1 ：1 * 1 * 4 = 4

　　最後結果爲：8732

$38\times38\times4+19\times19\times6+10\times10\times6+5\times5\times6+3\times3\times4+1\times1\times4=8732$ 個邊界框，這是一個至關龐大的數字，因此說SSD本質上是密集採樣。

訓練過程

（1）先驗框匹配

在訓練過程當中，首先要肯定訓練圖片中的ground truth（真實目標）與哪一個先驗框來進行匹配，與之匹配的先驗框所對應的邊界框將負責預測它。

Yolo中，ground truth的中心落在哪一個單元格，該單元格中與其IOU最大的邊界框負責預測它。

SSD中，先驗框與ground truth的匹配原則又兩點：

一、每一個ground truth找到與其IOU最大的先驗框，互相匹配。該先驗框稱爲正樣本（先驗框對應的預測box）

如有個先驗框沒有與ground truth匹配，就只能與背景匹配，就是負樣本。（一個圖片中ground truth少，但先驗框多，這樣匹配，不少先驗框會是負樣本，正負樣本不均衡）。

二、對剩餘未匹配先驗框，若某個ground truth的IOU大於某個閾值（通常是0.5），那麼該先驗框也與這個ground truth進行匹配。

　這樣ground truth可能與多個先驗框匹配

FP：負樣本 TP：正樣本

儘管一個ground truth能夠與多個先驗框匹配，可是ground truth相對於先驗框仍是太少了，因此負樣本會不少。爲保證正負樣本儘可能均衡，SSD採用了hard negative mining，先將每個物體位置上對應 predictions（default boxes）是 negative 的 boxes 進行排序，按照 default boxes 的 confidence 的大小。選擇最高的幾個，保證最後 negatives、positives 的比例接近3:1

（2）損失函數

損失函數定義爲位置偏差（locatization loss， loc）與置信度偏差（confidence loss, conf）的加權和：

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

其中  是先驗框的正樣本數量。

這裏 $x^p_{ij}\in \{ 1,0 \}$ 爲一個指示參數，當 $x^p_{ij}= 1$ 時表示第  個先驗框與第  個ground truth匹配，而且ground truth的類別爲  。

  爲類別置信度預測值。

  爲先驗框的所對應邊界框的位置預測值

  是ground truth的位置參數

對於位置偏差，其採用Smooth L1 loss，定義以下：

因爲 $x^p_{ij}$ 的存在，因此位置偏差僅針對正樣本進行計算。值得注意的是，要先對ground truth的進行編碼獲得 $\hat{g}$ ，由於預測值也是編碼值，若設置variance_encoded_in_target=True，編碼時要加上variance：

$\hat{g}^{cx}_j = (g^{cx}_j - d^{cx}_i)/d^w_i/variance[0], \hat{g}^{cy}_j = (g^{cy}_j - d^{cy}_i)/d^h_i/variance[1]$

$\hat{g}^{w}_j = \log(g^{w}_j/d^w_i)/variance[2], \space \hat{g}^{h}_j = \log(g^{h}_j/d^h_i)/variance[3]$

對於置信度偏差，其採用softmax loss:

權重係數 $\alpha$ 經過交叉驗證設置爲1。

（3）數據擴增

採用數據擴增（Data Augmentation）能夠提高SSD的性能，主要採用的技術有水平翻轉（horizontal flip），隨機裁剪加顏色扭曲（random crop & color distortion），隨機採集塊域（Randomly sample a patch）（獲取小目標訓練樣本），以下圖所示：

預測過程

肯定預測框類別（置信度最大者）與置信度值，而且過濾掉屬於背景的預測框，過濾掉置信度閾值較低的預測框；

對留下的預測框進行編碼，獲得真實的位置參數（解碼後還須要clip，防止預測框位置超出圖片）；

解碼以後，根據置信度進行降序排列，保留top-k個預測框；

進行NMS算法，過濾掉那些重疊度比較大的預測框，最後剩餘的預測框就是檢測結果了。

性能評估

首先總體看一下SSD在VOC2007，VOC2012及COCO數據集上的性能，如表1所示。相比之下，SSD512的性能會更好一些。加*的表示使用了image expansion data augmentation（經過zoom out來創造小的訓練樣本）技巧來提高SSD在小目標上的檢測效果，因此性能會有所提高。

SSD與其它檢測算法的對比結果（在VOC2007數據集）如表2所示，基本能夠看到，SSD與Faster R-CNN有一樣的準確度，而且與Yolo具備一樣較快地檢測速度。

文章還對SSD的各個trick作了更爲細緻的分析，表3爲不一樣的trick組合對SSD的性能影響，從表中能夠得出以下結論：