1. 論文筆記

1.1 YOLO網絡結構

論文鏈接：http://cn.arxiv.org/pdf/1506.02640

1.2 SSD網絡結構

論文鏈接：http://cn.arxiv.org/pdf/1512.02325v5

SSD具有如下主要特點：

（1）從YOLO中繼承了將detection轉化為regression的思路，同時一次即可完成網絡訓練

（2）基于Faster RCNN中的anchor，提出了相似的prior box

（3）加入基于特征金字塔（Pyramidal Feature Hierarchy）的檢測方式

? YOLO在卷積層后接全連接層，即檢測時只利用了最高層feature maps（包括Faster RCNN也是如此）；而SSD采用了特征金字塔結構進行檢測，即檢測時利用了conv4-3，conv-7（FC7），conv6-2，conv7-2，conv8_2，conv9_2這些大小不同的feature maps，在多個feature maps上同時進行softmax分類和位置回歸。

? SSD使用低層feature map檢測小目標，使用高層feature map檢測大目標，這也應該是SSD的突出貢獻了。

1.3 DSSD網絡結構

論文鏈接：http://cn.arxiv.org/pdf/1701.06659v1

2. 模型理解

? DSSD在常用的目標檢測算法中加入了更好的特征提取網絡和上下文信息，相比于利用一層feature map的YOLO、Faster RCNN等，和利用多層feature map的SSD，DSSD充分利用了各層之間的信息結合。

? YOLO算法把檢測的圖片劃分為14*14的格子，每個格子都會提取出目標檢測框，但最初時，每個格子只會提取出一個目標框，當兩個目標落入一個格子中，會出現漏檢。SSD利用Faster RCNN中Anchor的思路，將圖片分成更小的格子（即在淺層上來更好地匹配小目標），再在這些格子中使用Anchor，即在格子中加上6到9個不同的檢測框，有效地降低了漏檢概率。但是SSD在淺層提取的feature map表征能力不夠強，即淺層的feature map中每個格子包含的類的置信度不夠高，同樣會出現誤檢和漏檢，因此SSD對小目標不夠魯棒。

? 由于SSD算法的淺層feature map的表征能力不夠導致對小目標不夠魯棒，因此，DSSD使用了ResNet-101基礎網絡和Deconvolution反卷積層，使淺層feature map具有更好的表征能力，更好地提高對小目標的檢測能力，而且ResNet比VGG的收斂速度快很多。

? DSSD將基礎網絡VGG換成ResNet，通過加深網絡來增強網絡的表征能力。但實驗結果顯示，圖片大小不夠時（321321），ResNet的SSD和VGG的SSD效果相當，整體稍差些，當輸入圖像為512512時，ResNet的優勢才明顯體現。

? SSD的直接從數個卷積層中分別引出預測函數，預測量多達7000多，梯度計算量也很大。MS-CNN方法指出，改進每個任務的子網可以提高準確性。根據這一思想，作者在每一個預測層后增加殘差模塊，并且對于多種方案進行了對比，如下圖所示。結果表明，增加殘差預測模塊后，高分辨率圖片的檢測精度比原始SSD提升明顯。

? 在反卷積模塊中，實驗結果顯示，使用prod點積的操作的效果更好。

? DSSD的訓練方式沿用了SSD的訓練方法，通過caffe實現。

總而言之，DSSD就是將ResNet、Prediction Module、Deconvolution Module結合起來構成的基于SSD的目標檢測算法。

3. 模型運行進展

? 在github上找到DSSD模型的caffe版程序代碼，雖然有SSD的keras版程序源碼，但是DSSD在SSD的基礎上所做的改變較大，基準網絡從VGG換成了Resnet-101，而且增加了反卷積層，如果在SSD的代碼上做出改變難度很大。而且目前對Caffe與Keras的使用不熟悉，很難完成Caffe到Keras的代碼轉換。

DSSD_Caffe：https://github.com/chengyangfu/caffe/tree/dssd

SSD_Keras：https://github.com/pierluigiferrari/ssd_keras#overview

4、其他知識點

RPN網絡：RPN網絡的作用是輸入一張圖像，輸出一批矩形候選區域，類似于以往目標檢測中的Selective Search一步。網絡結構是基于卷積神經網絡，但輸出包含二類softmax和bbox回歸的多任務模型。網絡結果如下（以ZF網絡為參考模型）：

Anchor機制：anchor是rpn網絡的核心。剛剛說到，需要確定每個滑窗中心對應感受野內存在目標與否。由于目標大小和長寬比例不一，需要多個尺度的窗。Anchor即給出一個基準窗大小，按照倍數和長寬比例得到不同大小的窗。例如論文中基準窗大小為16，給了（8、16、32）三種倍數和（0.5、1、2）三種比例，這樣能夠得到一共9種尺度的anchor，如圖

? 因此，在對6040的map進行滑窗時，以中心像素為基點構造9種anchor映射到原來的1000600圖像中，映射比例為16倍。那么總共可以得到60409大約2萬個anchor。

總結

以上是生活随笔為你收集整理的目标检测学习笔记--DSSD算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。