SSD网络笔记

针对不同大小的目标检测&＃xff0c;传统的做法是先将图像转换成不同大小&＃xff0c;然后分别检测&＃xff0c;最后将结果综合起来&＃xff0c;而SSD算法则利用不同卷积层的feature map进行综合也能达到同样的效果。

对于不同的卷积层&＃xff0c;会把图像分割成不一样的feature map&＃xff0c;对于每一个feature map cell都有一系列default box&＃xff0c;假设每个feature map cell有k个default box&＃xff0c;对于每个default box都需要预测c个类别score和4个offset&＃xff0c;那么如果有一个feature map的大小是m*n&＃xff0c;也就是有m*n个feature map cell&＃xff0c;那么这个feature map就一共有(c&＃43;4)*k*m*n个输出&＃xff0c;其中score表示预测框是某种类别的得分&＃xff0c;offset是预测框针对实际物体的偏移。

关于这里的feature map&＃xff0c;你最开始的理解是错误的&＃xff0c;你最开始理解为&＃xff0c;对于640*640的输入图像(你的华为相机项目里面输入图像是640*640)&＃xff0c;我们在第一层是把640*640分成了159*159个小格子&＃xff0c;每个小格子是4*4&＃xff0c;然后在这159*159个小格子上面分别生成默认框&＃xff0c;但是实际上不是的&＃xff0c;实际上是我们在经过第一次处理把原始的640*640的输入图像提取成159*159的大小&＃xff0c;然后针对159*159大小的图像&＃xff0c;我们会有159*159个中心点&＃xff0c;然后在每个中心点上生成默认框。然后我们再经过第二次处理把特征图提取成了79*79的大小&＃xff0c;然后再79*79个中心点上去生成默认框&＃xff0c;也就是说我们的输入图像是越来越小的&＃xff0c;并不是你之前理解的图像一直是640*640然后分别分成159*159  79*79.

    那么default box的scale(大小)和aspect ratio(横纵比)要怎么确定呢&＃xff0c;假设我们用m个feature maps做预测&＃xff0c;那么对于每个feature map而言&＃xff0c;其default box的scale是按以下公式计算的额。

关于默认框的大小&＃xff0c;论文里面计算的时候&＃xff0c;Smin默认值是0.2&＃xff0c;Smax默认值是0.9(这里的0.2 0.9在实际使用的时候是可以修改的&＃xff0c;不一定非取0.2 0.9)&＃xff0c;第一个特征图不参与这个公式的计算&＃xff0c;直接用输入图像的大小*0.1,论文中默认的大小是300*300的&＃xff0c;所以第一个标准框的大小就是300*0.1&＃61;30&＃xff0c;然后从第二个特征图开始用这个公式计算&＃xff0c;K是1到m&＃xff0c;m就是有几个特征图&＃xff0c;但是我们华为相机项目里面用到的并不是根据公式计算出来的&＃xff0c;而是算法同事给的经验值。

SSD中的softmax层

神经网络的最后一层往往是全连接层&＃43;softmax(分类网络)

detection out layer&＃xff1a;SSD网络的最后一层&＃xff0c;用于整合预选框&＃xff0c;预选框偏移以及得分三项结果&＃xff0c;最终输出满足条件的目标检测框&＃xff0c;目标的label和得分。