本寶寶最近心情不會，反正這篇也是搬用别人部落格的了：（SSD就是YOLO+anchor(不同feature map 作為input)）
引言
這篇文章是在YOLO[1]之後的一篇文章，這篇文章目前是一篇the-art-of-state的方法。這篇文章可以看到很多前人的影子，我所感受到這篇文章主要借鑒前人的有DeepNultiBox[2]、Faster R-CNN[3]、YOLO[1]、VGG16[4]等。
發表位置
- ECCV 2016
- PDF.v5 arXiv：1512.02325.pdf
- 代碼托管
問題引入
對于object detection，之前的方法都沒有特别快，雖然YOLO很快，但是在準确性上下降了較多。作者就提出了一個速度很好，準确性還好的方法——SSD。
SSD核心思想
整個圖檔做輸入，之後在輸出層回歸出box的位置和object的類别。與YOLO不同的是，SSD在輸出層隻用conv layer，而不是全連結層。
模型
這個模型，是以VGG16進行修改的，把VGG16的fc層換成conv層，中間還夾雜了maxpooling層。每個額外添加的conv層都輸出一個Feature map，并以此作為預測一個輸入，換句話說，這些不同scale的Feature map都作為預測的輸入，以此來達到不同scale。作者舉了一個例子，如果一個Feature map是m×n×p（width×height×channel）的，那麼用3×3×p的kernel去産生value，産生了m×n個value。
為了友善讀者了解這個網絡結構，我把VGG[4]論文中的圖粘貼過來了，作者用的是D這個模型進行修改的。
訓練
default boxes
作者在這裡提到的default boxes與faster R-CNN中的Anchor很類似，這裡是按照YOLO中的想法，把每個Feature map（不同scale的）分成m×n個cell，每個cell有預設出k個default boxes，最後的predict box與default box有4個offset，并為每個predict box計算c個類的值。最後産生了（c+4）kmn個值。這裡與faster R-CNN Anchor最大的不同就是，faster R-CNN是通過改變Anchor的大小來實作scalable的，SSD是改變Feature map大小來實作的。
訓練目标
損失函數：這個與Faster R-CNN中的RPN是一樣的，不過RPN是預測box裡面有object或者沒有，是以，沒有分類，SSD直接用的softmax分類。location的損失，還是一樣，都是用predict box和default box/Anchor的差 與 ground truth box和default box/Anchor的差 進行對比，求損失。
以下，是我根據我的了解畫的一張簡單示意圖。這個default box存在求損失，就是盡可能把X與Y的數值做到內插補點最小。
為default box選擇尺度（scale）和長寬比
如果我們用m個Feature maps進行預測，那麼尺度最大的是smax，最小的是smin，那麼第k個Feature map的default boxes的尺度sk：
使用不同的長寬比，ar∈{1,2,3,1/2,1/3}，長度（wr = sk × squr(ar)），高度（hr = sk / squr(ar)）。除此之外，對于ar=1，還有一個情況sk‘= squr(sk × sk+1)。
negative資料處理
這種方法會産生很多個negative的資料，使positive與negative失去平衡，作者把negative：positive控制在3:1。
資料擴大
實驗結果
PASCAL VOC2007
PASCAL VOC2012
COCO
模型分析
資料擴大很重要
多個default box 尺度更好
atrous 更快
目前，我還沒有明白atrous是什麼。
多個Feature map用于預測更好
SSD定位錯誤少
因為他把定位和分類放在一步裡解決。
小目标效果不好
因為在top layer中，獲得小目标的資訊不多，擴大圖檔大小輸入，會有改善。通過資料擴大也會有改善。
速度
使用 Titan X 、 cuDNN v4 、 Intel Xeon [email protected]。
結論
- SSD的各種特定和優點。
- SSD将會獲得更為廣泛的應用。
個人想法
這篇文章在很早之前就想拜讀，但是，到今天才扣完。之前讀的object Detection文章基本都是在為了這篇做基礎。這篇文章看完了，想法有很多，現在簡單叙述一下把。
巨人肩膀
- DeepMultiBox:這篇文章主要講的多個scale的問題，利用圖檔放縮的方法進行不同scale多個框預測。文章在最後提到把定位分類放到one-shot的網絡裡面，我覺得作者可能受到這個的啟發。
- YOLO:YOLO這篇文章就是把定位和分類放在一個網絡裡面，同時徹底擺脫了之前位置推薦的方式。SSD中的default box的生成借鑒了YOLO中cell的想法。SSD在很多方面都是在于YOLO做對比。畢竟YOLO是發表在CVPR2016上的成果。
- Faster R-CNN:這篇文章主要借鑒了Faster R-CNN中anchor的想法。正如作者在提到“similar to Faster R-CNN”，SSD裡面提到的“default bounding box”直接按照anchor了解的話，便容易了解多了，SSD與Faster R-CNN中關于Anchor的使用差別主要在Scalable上。
- VGG16:這個主要說的是個網絡結構，SSD主要就是根據VGG16改的，VGG16中抛棄了之前用的5×5、7×7、11×11等大的卷積核，而是全用3×3的卷積核（VGG文章中提到了具體原因，大主要有1.更多個non-linear rectification layers.）。
作者提到的改進空間
- “How to design the optimal tiling is an open question as well”，這是作者在提到default box的尺度問題時候說的。
- 針對small object的問題，這個跟YOLO是一緻的，我覺得這很可能是這樣劃分cell的問題。