Python----目标检测（《SSD: Single Shot MultiBox Detector》论文和SSD的原理与网络结构）

一、SSD：单次多框检测器

1.1、基本信息

• 标题：SSD: Single Shot MultiBox Detector

• 作者：Wei Liu (UNC Chapel Hill), Dragomir Anguelov (Zoox Inc.), Dumitru Erhan, Christian Szegedy (Google Inc.), Scott Reed (University of Michigan), Cheng-Yang Fu, Alexander C. Berg (UNC Chapel Hill)

• 发表时间：2016年（基于参考文献中最新引用为2016年）

• 代码开源：weiliu89/caffe at ssd

原文地址：

        [1512.02325] SSD: Single Shot MultiBox Detector

        SSD: Single Shot MultiBox Detector | SpringerLink

1.2、主要内容

SSD（Single Shot MultiBox Detector）是一种单阶段目标检测模型，其核心创新包括：

多尺度特征图预测：

                在不同层级的卷积特征图上生成不同尺度和长宽比的默认边界框（default boxes），覆盖多种物体尺寸。

                通过卷积操作直接预测类别得分和边界框偏移量，无需候选区域生成（如Faster R-CNN中的RPN）。

高效的单次检测框架：

                消除了传统方法中的像素重采样和特征池化步骤，所有计算集成在单一网络中，显著提升速度。

                使用小卷积核（3×3）进行预测，保留空间信息的同时减少参数量。

数据增强与训练策略：

                采用随机裁剪、缩放和颜色扰动增强数据，提升模型对小物体的检测能力。

                通过“难例挖掘”（hard negative mining）平衡正负样本比例，优化训练过程。

性能优势：

                输入分辨率300×300时，在VOC2007测试集上达到74.3% mAP，速度59 FPS（Titan X GPU），优于Faster R-CNN（73.2% mAP，7 FPS）和YOLO（63.4% mAP，45 FPS）。更

                高分辨率（512×512）下，mAP提升至76.9%，速度仍接近实时（22 FPS）。

1.3、影响和作用

推动实时检测发展：

        SSD是首个在保持高精度（>70% mAP）的同时实现实时检测（59 FPS）的模型，为嵌入式系统和实时应用（如自动驾驶、视频监控）提供了高效解决方案。

技术启发性：

        多尺度特征图与默认框设计被后续模型（如RetinaNet、EfficientDet）广泛借鉴，成为单阶段检测器的经典范式。

        证明了单阶段方法在速度和精度上可超越两阶段方法（如Faster R-CNN），推动目标检测领域向轻量化发展。

实际应用价值：

        模型结构简单，易于与其他系统（如视频跟踪、多任务学习）集成，促进了工业界的快速落地。

        在COCO等复杂场景数据集上表现优异，为密集和小物体检测提供了新思路。

学术贡献：

        论文通过系统实验（如消融分析）验证了多尺度预测、数据增强等关键设计的有效性，为目标检测研究提供了重要参考。

        开源代码极大推动了社区复现与改进，累计引用量超万次（截至2023年），成为目标检测领域的里程碑工作之一。

二、SSD

2.1、SSD介绍

注意：SSD是2016年的网络，它要比2015年的YOLOV1晚出来一年。

 

SSD速度与性能：

        输入尺寸300x300的网络：使用NVIDIA Titan X帧率为59FPS，在 VOC2007测试集上74.3%mAP。

        输入尺寸512x512的网络：在VOC2007测试集上76.9%mAP，超越当时最 强的FasterRCNN的73.2%mAP。

        two-stage：找框+回归与分类。

        one-stage：全部放在一个网络中实现。

        Faster RCNN的问题：模型大速度慢、对小目标检测效果差（经过多次卷 积后，feature map的维度太高，3*3的感受野很大了，所以Anchor Box 很大导致很难预测小目标）（FPN优化了对小目标检测效果差的问题）。

原理：

        SSD结合了多尺度特征图来检测不同大小的目标。其基本原理与实现流程 包括：

                使用卷积神经网络（CNN）提取图像特征。

                在不同层级的特征图上应用预测器来检测和定位目标。

                使用默认框（default boxes）来处理不同尺度和比例的目标。

                结合多层特征图的预测结果来提高检测性能和精度。

2.2、SSD网络结构

1. 将图片缩放到300x300，类似于OpenCV的resize，channels为3。

2. 通过到Pool5层：可以参考附录1的VGGNet16的网络特征图变化，输 入是300x300，经过5个conv组之后分别为：150->75->38->19，所以 显示的Conv4_3是38x38x512（这是一个预测特征层，称为预测特征层 1），在经过Conv4_3是19x19x512，正常的VGGNet-16接下来经过 Pool5（池化核2，步长2），但是SSD对Pool5做了修改（池化核3，步 长1，padding=1），所以在经过Pool5后，输出为19x19x512。

3. 经过Conv: 3x3x1024，得到19x19x1024的卷积结果，原始VGGNet16 的第一个全连接层(FC6)。

4. 经过Conv: 1x1x1024，得到19x19x1024的卷积结果（这是一个预测特 征层，称为预测特征层2），原始VGGNet16的第一个全连接层(FC7)。

5. 经过Conv: 1x1x256降维，在经过Conv: 3x3x512（s=2， padding=1）得到10x10x512（这是一个预测特征层，称为预测特征层 3）。

6. 经过Conv: 1x1x128降维，在经过Conv: 3x3x256（s=2， padding=1）得到5x5x256（这是一个预测特征层，称为预测特征层 4）。

7. 经过Conv: 1x1x128降维，在经过Conv: 3x3x256（s=1， padding=0）得到3x3x256（这是一个预测特征层，称为预测特征层 5）。

8. 经过Conv: 1x1x128降维，在经过Conv: 3x3x256（s=1， padding=0）得到1x1x256（这是一个预测特征层，称为预测特征层 6）。

卷积公式：feature-kernel+2*P/stride+1，向下取整。

在预测特征层上会预测不同大小的目标，在前面的预测特征层上会预测较 小的目标，在后面的预测特征层上会预测较大的目标。

2.3、在预测特征层进行预测

        SSD中的具有一个叫默认框（default boxes）的东西，有时也称为先验框 （prior boxes），是预定义的一组边界框，用于在训练过程中预测目标的 位置和大小。

        默认框的设计和使用是SSD算法的重要部分，其主要目的是高效地处理不 同尺度和不同宽高比的目标，有点像默认的Anchor Box。

        默认框是在不同尺度和宽高比下，预先定义的一组边界框。每个默认框与 特定的特征图位置（像素）相关联，并且在训练过程中，网络会预测这些 默认框与实际目标边界框的偏移量和类别。

2.3.1、默认框的生成

1. 特征图尺度： SSD在不同的特征图上生成默认框。通常，网络的早期层具有高分 辨率的特征图，用于检测小目标；后期层具有低分辨率的特征图， 用于检测大目标。

2. 框的数量和比例： 在每个特征图位置，SSD生成多个默认框，每个框具有不同的比例 和宽高比（如1:1、2:1、1:2、3:1、1:3等）。这使得默认框能够覆 盖不同形状和大小的目标。

3. 框的中心和大小： 每个默认框的中心与特征图的一个位置对齐，框的大小根据特征图 层的比例进行设置。具体公式如下： 假设特征图大小为m*m ，每个特征图位置会生成多个默认 框。 默认框的宽度和高度根据不同的比例和尺度进行设置。

2.3.2、PyTorch默认框的生成方案

一共有6层预测特征层，分别为conv4_3、fc7、conv8_2、conv9_2、 conv10_2、conv11_2。

conv4_3 ==> 38 x 38

fc7 ==> 19 x 19

conv8_2 ==> 10 x 10

conv9_2 ==> 5 x 5

conv10_2 ==> 3 x 3

conv11_2 ==> 1 x 1

 其中，DefaultBoxGenerator类：

aspect_ratios参数

纵横比，输入的是 [[2], [2, 3], [2, 3], [2, 3], [2], [2]]，对应 每一层的预测特征层的默认框的纵横比，这里的[2]指的是：比例为2，实 际上会附加上1:1的，结合上1:2，2:1的，也就是3个纵横比1:1、1:2， 2:1。

输入	纵横比
[2]	1:1        1:2        2:1
[2, 3]	1:1        1:2        2:1         1:3        3:1
[2, 3]	1:1        1:2        2:1         1:3        3:1
[2, 3]	1:1        1:2        2:1         1:3        3:1
[2]	1:1        1:2        2:1
[2]	1:1        1:2        2:1

min_ratio/max_ratio参数

        这里即是论文中所说的Smin=0.2，Smax=0.9的初始值，经过下面的运算 即可得到min_sizes，max_sizes，只是在PyTorch中Smin=0.15，当scales 不传参的时候，使用它。

        得到self.scale=[0.15, 0.3, 0.45, 0.6, 0.75, 0.9, 1.0]

scales参数

默认框数量

        这6个特征层产生的特征图的大小分别为38*38、19*19、10*10、5*5、 3*3、1*1。每个n*n大小的特征图中有n*n个中心点，每个中心点产生k个 默认框，六层中每层的每个中心点产生的k分别为4、6、6、6、4、4（在 图中很大的物体和很小的物体要少于大小适中的物体的数量）。

        所以6层中的每层取一个特征图共产生 38*38*4+19*19*6+10*10*6+5*5*6+3*3*4+1*1*4=8732个默认框。

steps参数

        steps参数是输入图像300x300与预测特征层的降采样的比例，即第一个参 数8，是2x2x2的结果，也就是经过3次降采样之后的比例，300/8=37.5， 即38。

        这个参数的目的是为了绘制二维网格（类似于在机器学习中写代码时绘制 决策边界时的meshgrid）。最终乘以300即可得到在原图上的Anchor。

2.3.3、默认框举例

2.3.4、默认框的使用

1. 匹配机制：

        在训练过程中，将默认框与真实边界框进行匹配。如果默认框与真 实边界框的重叠（通常使用交并比，IoU）超过某个阈值，则认为 该默认框匹配该真实目标。 未匹配的默认框通常被认为是背景类。

2. 预测偏移量：

        SSD不直接预测边界框的坐标，而是预测默认框相对于真实边界框 的偏移量（即坐标调整量）。网络学习这些偏移量以调整默认框， 使其更接近真实目标。

3. 多框融合：

        通过非极大值抑制（NMS）技术，过滤掉重叠度较高的冗余预测 框，仅保留最高置信度的预测结果。

2.3.5、默认框优点

1. 高效：

        使用默认框，可以在一个前馈网络中同时预测多个尺度和宽高比的 目标，减少了计算复杂度，提高了检测速度。

2. 多尺度检测：

        通过在不同尺度的特征图上生成默认框，SSD能够有效处理不同大 小的目标，适应多尺度检测的需求。

2.4、Predictor实现

对于每一个特征层，都会再经过一个3x3x (每个点的默认框个数 x (Classes+4)) 的卷积 

为什么是：每个点的默认框个数 x (Classes+4)？

每个点的默认框个数 x (Classes+4) = 每个点的默认框个数 x Classes + 每 个点的默认框个数 x 4

Classes：目标检测类别数量+背景（例如Pascal VOC是21）。

每个点的默认框个数 x Classes：每个框的类别的概率，如果是4个框，每 个框都有21类的对应的概率，那就有4x21=84个。

每个点的默认框个数 x 4：每个框的x,y,w,h偏移量。

2.5、正负样本

正样本

1.与GT BOX的IoU最大的default Box。

2. 与GT BOX的IoU大于0.5的default Box。

负样本

        将正样本选完的剩下的default Box进行confidence计算，选择一些最大的 confidence的default Box作为负样本，大概是正样本个数的3倍。如果剩 下的全是负样本，会导致正负样本失衡，网络表现变差。

2.6、损失函数的定义

        SSD的损失函数是对分类和位置回归的多任务损失函数的组合。

        它由两部分组成：分类损失（confidence loss）和定位损失（localization loss）。这两部分损失在训练过程中相加，用于模型同时学习分类和定位。

 2.6.1、分类损失（Confidence Loss）

 2.6.2、定位损失（Localization Loss）

2.7、 SSD的特点

与Faster RCNN相比的特点：

        速度更快：SSD是一种端到端的算法，直接预测目标的类别和边界 框，避免了像Faster RCNN那样的两阶段检测过程，因此速度更 快。

        简单直接：SSD通过在单个神经网络中处理检测和分类任务，简化 了整体流程。

        多尺度特征融合：SSD通过使用多层特征图来检测不同大小的目 标，从而更好地处理多尺度的目标检测问题。

优点：

        高效：速度快，适合实时应用。

        简单：单一模型处理多个尺度和类别的检测。

        高度集成：整合了目标定位和类别预测的任务。

 

 

缺点：

        定位精度稍逊：相比于两阶段方法如Faster RCNN，在定位精 度上可能稍逊一筹。

        默认框设计依赖：性能受默认框设计的影响，对不同数据集可 能需要调整。

        SSD通过简化的单阶段检测方法和多层特征图的使用，实现了高效的目标 检测，尽管在一些精度方面可能略逊于两阶段方法，但在速度和简便性上 有明显优势。