問題引入：
目前，常見的目標檢測演算法，如faster r-cnn，存在著速度慢的缺點。該**提出的ssd方法，不僅提高了速度，而且提高了準確度。
ssd:
該**的核心思想：
該**的主要貢獻：
1. 提出了ssd目標檢測方法，在速度上，比之前最快的yolo還要快，在檢測精度上，可以和faster rcnn相媲美
2. ssd的核心是在特徵圖上採用卷積核來**一系列default bounding boxes的類別分數、偏移量
3. 為了提高檢測準確率，在不同尺度的特徵圖上進行**，此外，還得到具有不同aspect ratio的結果
4. 這些改進設計，實現了end-to-end訓練，並且，即使影象的解析度比較低，也能保證檢測的精度
5. 在不同的資料集，如：pascal voc、ms coco、ilsvrc，對該方法的檢測速度、檢測精度進行了測試，並且與其他的方法進行了對比。
ssd模型結構：
剛開始的層使用影象分類模型中的層，稱為base network，在此基礎上，新增一些輔助結構：
1. mult-scale feature map for detection
在base network後，新增一些卷積層，這些層的大小逐漸減小，可以進行多尺度**
2. convolutional predictors for detection
每乙個新新增的層，可以使用一系列的卷積核進行**。對於乙個大小為m*n、p通道的特徵層，使用3*3的卷積核進行**，在某個位置上**出乙個值，該值可以是某一類別的得分，也可以是相對於default bounding boxes的偏移量，並且在影象的每個位置都將產生乙個值，如圖2所示。
3. default boxes and aspect ratio
在特徵圖的每個位置**k個box。對於每個box，**c個類別得分，以及相對於default bounding box的4個偏移值，這樣需要(c+4)*k個**器，在m*n的特徵圖上將產生(c+4)*k*m*n個**值。這裡，default bounding box類似於fasterrcnn中anchors，如圖1所示。
個人感覺ssd模型與faster rcnn中的rpn很類似。ssd中的****ult bounding box類似於rpn中的anchor，但是，ssd在不同的特徵層中考慮不同的尺度，rpn在乙個特徵層考慮不同的尺度。
ssd模型訓練：
1. matching strategy
將每個groundtruth box與具有最大jaccard overlap的de****lt box進行匹配， 這樣保證每個groundtruth都有對應的default box；並且，將每個de****t box與任意ground truth配對，只要兩者的jaccard overlap大於某一閾值，本文取0.5，這樣的話，乙個groundtruth box可能對應多個default box。
jaccard overlap的計算:
p 。損失函式的計算類似於fast rcnn中的損失函式，總的損失函式是localization loss (loc) 和 confidence loss (conf) 的加權和，如下:
其中，（gcx, gcy, gw, gh）表示groundtruth box，（dcx, dcy, dw, dh）表示default box，（lcx, lcy, lw, lh）表示**的box相對於default box的偏移量。
3. choosing scales and aspect ratios for default boxes
為了處理不同尺度的物體，一些文章，如：overfeat，處理不同大小的影象，然後將結果綜合。實際上，採用同乙個網路，不同層上的feature map，也能達到同樣的效果。影象分割演算法fcn表明，採用低層的特徵圖可以提高分割效果，因為低層保留的影象細節資訊比較多。因此，該**採用lower feature map、upper feature map進行**。
一般來說，cnn的不同層有著不同的感受野。然而，在ssd結構中，default box不需要和每一層的感受野相對應，特定的特徵圖負責處理影象中特定尺度的物體。在每個特徵圖上，default box的尺度計算如下：
其中，smin = 0.2，smax = 0.9
default box的aspect ratios 有：，對於 aspect ratio = 1，額外增加乙個default box，該box的尺度為
每乙個default box，寬度、高度、中心點計算如下：
4. hard negative mining
經過matching後，很多default box是負樣本，這將導致正樣本、負樣本不均衡，訓練難以收斂。因此，該**將負樣本根據置信度進行排序，選取最高的那幾個，並且保證負樣本、正樣本的比例為3：1。
5. data augmentation
為了使得模型對目標的尺度、大小更加魯棒，該**對訓練影象做了data augmentation。每一張訓練影象，由以下方法隨機產生：
1）使用原始影象
2）取樣乙個path，與目標的最小jaccard overlap為0.1、0.3、0.5、0.7、0.9 （這個具體怎麼做呢？？？）
3）隨機取樣乙個path
取樣得到的path，其大小為原始影象的[0.1, 1]，aspect ratio在1/2與2之間。當groundtruth box的中心在取樣的path中時，保留重疊部分。經過上述取樣之後，將每個取樣的pathresize到固定大小，並以0.5的概率對其水平翻轉。
基於深度學習的目標檢測演算法 SSD
ssd single shot multibox detector 問題引入 目前，常見的目標檢測演算法，如faster r cnn，存在著速度慢的缺點。該 提出的ssd方法，不僅提高了速度，而且提高了準確度。ssd 該 的核心思想 該 的主要貢獻 1.提出了ssd目標檢測方法，在速度上，比之前最快...
基於深度學習的 目標檢測 演算法綜述
三部曲，這樣就有兩個難以解決的問題 其一是區域選擇的策略效果差 時間複雜度高 其二是手工提取的特徵魯棒性較差。傳統的區域選擇使用滑窗，每滑乙個視窗檢測一次，相鄰視窗資訊重疊高，檢測速度慢。r cnn 使用乙個啟發式方法 selective search 先生成候選區域再檢測，降低資訊冗餘程度，從而提...
目標檢測演算法
基於深度學習的回歸方法 yolo ssd densebox 傳統目標檢測流程 rcnn解決的就是預先找出圖中目標可能出現的位置，即候選區域，再對這些區域進行識別分類。r cnn 具體步驟如下 步驟二 對該模型做fine tuning 微調 步驟三 特徵提取 步驟四 訓練乙個svm分類器來判斷這個候選...