【學習干貨】目標檢測算法之SSD

點擊上方“小白學視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

本文轉(zhuǎn)自|機器學習算法工程師

目標檢測近年來已經(jīng)取得了很重要的進展，主流的算法主要分為兩個類型：（1）two-stage方法，如R-CNN系算法，其主要思路是先通過啟發(fā)式方法（selective search）或者CNN網(wǎng)絡（RPN)產(chǎn)生一系列稀疏的候選框，然后對這些候選框進行分類與回歸，two-stage方法的優(yōu)勢是準確度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均勻地在圖片的不同位置進行密集抽樣，抽樣時可以采用不同尺度和長寬比，然后利用CNN提取特征后直接進行分類與回歸，整個過程只需要一步，所以其優(yōu)勢是速度快，但是均勻的密集采樣的一個重要缺點是訓練比較困難，這主要是因為正樣本與負樣本（背景）極其不均衡（參見Focal Loss，https://arxiv.org/abs/1708.02002），導致模型準確度稍低。不同算法的性能如圖1所示，可以看到兩類方法在準確度和速度上的差異。

圖1 不同檢測算法的性能對比

本文講解的是SSD算法，其英文全名是Single Shot MultiBox Detector，名字取得不錯，Single shot指明了SSD算法屬于one-stage方法，MultiBox指明了SSD是多框預測。在上一篇文章中我們已經(jīng)講了Yolo算法，從圖1也可以看到，SSD算法在準確度和速度（除了SSD512）上都比Yolo要好很多。圖2給出了不同算法的基本框架圖，對于Faster R-CNN，其先通過CNN得到候選框，然后再進行分類與回歸，而Yolo與SSD可以一步到位完成檢測。相比Yolo，SSD采用CNN來直接進行檢測，而不是

像Yolo那樣在全連接層之后做檢測。其實采用卷積直接做檢測只是SSD相比Yolo的其中一個不同點，另外還有兩個重要的改變，一是SSD提取了不同尺度的特征圖來做檢測，大尺度特征圖（較靠前的特征圖）可以用來檢測小物體，而小尺度特征圖（較靠后的特征圖）用來檢測大物體；二是SSD采用了不同尺度和長寬比的先驗框（Prior boxes, Default boxes，在Faster R-CNN中叫做錨，Anchors）。Yolo算法缺點是難以檢測小目標，而且定位不準，但是這幾點重要改進使得SSD在一定程度上克服這些缺點。下面我們詳細講解SDD算法的原理，并最后給出如何用TensorFlow實現(xiàn)SSD算法。

圖2 不同算法的基本框架圖

圖5 SSD網(wǎng)絡結(jié)構(gòu)

采用VGG16做基礎(chǔ)模型，首先VGG16是在ILSVRC CLS-LOC數(shù)據(jù)集預訓練。然后借鑒了DeepLab-LargeFOV，鏈接https://export.arxiv.org/pdf/1606.00915，分別將VGG16的全連接層fc6和fc7轉(zhuǎn)換成3*3卷積層conv6和1*1卷積層conv7，同時將池化層pool5由原來的2*2-s2變成3*3-s1(猜想是不想reduce特征圖大小),為了配合這種變化，采用了一種Atrous Algorithm，其實就是conv6采用擴展卷積或帶孔卷積（Dilation Conv，https://arxiv.org/abs/1511.07122），其在不增加參數(shù)與模型復雜度的條件下指數(shù)級擴大卷積的視野，其使用擴張率(dilation rate)參數(shù)，來表示擴張的大小，如下圖6所示，(a)是普通的3*3卷積，其視野就是3*3,，(b)是擴張率為2，此時視野變成7*7，(c)擴張率為4時，視野擴大為15*15，但是視野的特征更稀疏了。Conv6采用3*3大小但dilation rate=6的擴展卷積。

圖6 擴展卷積

然后移除dropout層和fc8層，并新增一系列卷積層，在檢測數(shù)據(jù)集上做finetuing。

其中VGG16中的Conv4_3層將作為用于檢測的第一個特征圖。conv4_3層特征圖大小是38*38，但是該層比較靠前，其norm較大，所以在其后面增加了一個L2 Normalization層（參見ParseNet，https://arxiv.org/abs/1506.04579），以保證和后面的檢測層差異不是很大，這個和Batch Normalization層不太一樣，其僅僅是對每個像素點在channle維度做歸一化，而Batch Normalization層是在[batch_size, width, height]三個維度上做歸一化。歸一化后一般設(shè)置一個可訓練的放縮變量gamma，使用TF可以這樣簡單實現(xiàn)：

# l2norm (not bacth norm, spatial normalization)
def l2norm(x, scale, trainable=True, scope="L2Normalization"):
    n_channels = x.get_shape().as_list()[-1]
    l2_norm = tf.nn.l2_normalize(x, [3], epsilon=1e-12)
    with tf.variable_scope(scope):
        gamma = tf.get_variable("gamma", shape=[n_channels, ], dtype=tf.float32,
                                initializer=tf.constant_initializer(scale),
                                trainable=trainable)
        return l2_norm * gamma

從后面新增的卷積層中提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2作為檢測所用的特征圖，加上Conv4_3層，共提取了6個特征圖，其大小分別是(38,38),(19,19),(10,10),(5,5),(3,3,),(1,1),,但是不同特征圖設(shè)置的先驗框數(shù)目不同（同一個特征圖上每個單元設(shè)置的先驗框是相同的，這里的數(shù)目指的是一個單元的先驗框數(shù)目）。先驗框的設(shè)置，包括尺度（或者說大?。┖烷L寬比兩個方面。對于先驗框的尺度，其遵守一個線性遞增規(guī)則：隨著特征圖大小降低，先驗框尺度線性增加： 

其中m指的特征圖個數(shù)，但卻是5，因為第一層（Conv4_3層）是單獨設(shè)置的，Sk示先驗框大小相對于圖片的比例，而Smin和Smax表示比例的最小值與最大值，paper里面取0.2和0.9。對于第一個特征圖，其先驗框的尺度比例一般設(shè)置為Smin/2=0.1,那么尺度為300*0.1=30。對于后面的特征圖，先驗框尺度按照上面公式線性增加，但是先將尺度比例先擴大100倍，此時增長步長為，這樣各個特征圖的Sk為20,37,54,71,88,將這些比例除以100，然后再乘以圖片大小，可以得到各個特征圖的尺度為60,111,162,213,264，這種計算方式是參考SSD的Caffe源碼。綜上，可以得到各個特征圖的先驗框尺度30,60,111,162,213,264。對于長寬比，一般選取，對于特定的長寬比，按如下公式計算先驗框的寬度與高度（后面的Sk均指的是先驗框?qū)嶋H尺度，而不是尺度比例）： 

默認情況下，每個特征圖會有一個且尺度為Sk的先驗框，除此之外，還會設(shè)置一個尺度為且的先驗框，這樣每個特征圖都設(shè)置了兩個長寬比為1但大小不同的正方形先驗框。注意最后一個特征圖需要參考一個虛擬來計算。因此，每個特征圖一共有6個先驗框，但是在實現(xiàn)時，Conv4_3，Conv10_2和Conv11_2層僅使用4個先驗框，它們不使用長寬比為3，1/3的先驗框。每個單元的先驗框的中心點分布在各個單元的中心，即，其中為特征圖的大小。

得到了特征圖之后，需要對特征圖進行卷積得到檢測結(jié)果，圖7給出了一個5*5大小的特征圖的檢測過程。其中Priorbox是得到先驗框，前面已經(jīng)介紹了生成規(guī)則。檢測值包含兩個部分：類別置信度和邊界框位置，各采用一次3*3卷積來進行完成。令為該特征圖所采用的先驗框數(shù)目，那么類別置信度需要的卷積核數(shù)量為，而邊界框位置需要的卷積核數(shù)量為。由于每個先驗框都會預測一個邊界框，所以SSD300一共可以預測

個邊界框，這是一個相當龐大的數(shù)字，所以說SSD本質(zhì)上是密集采樣。

圖7 基于卷積得到檢測結(jié)果

（1）先驗框匹配 

在訓練過程中，首先要確定訓練圖片中的ground truth（真實目標）與哪個先驗框來進行匹配，與之匹配的先驗框所對應的邊界框?qū)⒇撠燁A測它。在Yolo中，ground truth的中心落在哪個單元格，該單元格中與其IOU最大的邊界框負責預測它。但是在SSD中卻完全不一樣，SSD的先驗框與ground truth的匹配原則主要有兩點。首先，對于圖片中每個ground truth，找到與其IOU最大的先驗框，該先驗框與其匹配，這樣，可以保證每個ground truth一定與某個先驗框匹配。通常稱與ground truth匹配的先驗框為正樣本，反之，若一個先驗框沒有與任何ground truth進行匹配，那么該先驗框只能與背景匹配，就是負樣本。一個圖片中g(shù)round truth是非常少的， 而先驗框卻很多，如果僅按第一個原則匹配，很多先驗框會是負樣本，正負樣本極其不平衡，所以需要第二個原則。第二個原則是：對于剩余的未匹配先驗框，若某個ground truth的IOU大于某個閾值（一般是0.5），那么該先驗框也與這個ground truth進行匹配。這意味著某個ground truth可能與多個先驗框匹配，這是可以的。但是反過來卻不可以，因為一個先驗框只能匹配一個ground truth，如果多個ground truth與某個先驗框IOU大于閾值，那么先驗框只與IOU最大的那個先驗框進行匹配。第二個原則一定在第一個原則之后進行，仔細考慮一下這種情況，如果某個ground truth所對應最大IOU小于閾值，并且所匹配的先驗框卻與另外一個ground truth的IOU大于閾值，那么該先驗框應該匹配誰，答案應該是前者，首先要確保某個ground truth一定有一個先驗框與之匹配。但是，這種情況我覺得基本上是不存在的。由于先驗框很多，某個ground truth的最大IOU肯定大于閾值，所以可能只實施第二個原則既可以了，這里的TensorFlow（https://github.com/xiaohu2015/SSD-Tensorflow/blob/master/nets/ssd_common.py）版本就是只實施了第二個原則，但是這里的Pytorch（https://github.com/amdegroot/ssd.pytorch/blob/master/layers/box_utils.py）兩個原則都實施了。圖8為一個匹配示意圖，其中綠色的GT是ground truth，紅色為先驗框，F(xiàn)P表示負樣本，TP表示正樣本。

圖8 先驗框匹配示意圖

盡管一個ground truth可以與多個先驗框匹配，但是ground truth相對先驗框還是太少了，所以負樣本相對正樣本會很多。為了保證正負樣本盡量平衡，SSD采用了hard negative mining，就是對負樣本進行抽樣，抽樣時按照置信度誤差（預測背景的置信度越小，誤差越大）進行降序排列，選取誤差的較大的top-k作為訓練的負樣本，以保證正負樣本比例接近1:3。

（2）損失函數(shù) 

訓練樣本確定了，然后就是損失函數(shù)了。損失函數(shù)定義為位置誤差（locatization loss， loc）與置信度誤差（confidence loss, conf）的加權(quán)和： 

其中N是先驗框的正樣本數(shù)量。這里為一個指示參數(shù)，當時表示第i個先驗框與第j個ground truth匹配，并且ground truth的類別為p。c為類別置信度預測值。l為先驗框的所對應邊界框的位置預測值，而g

是ground truth的位置參數(shù)。對于位置誤差，其采用Smooth L1 loss，定義如下：

由于的存在，所以位置誤差僅針對正樣本進行計算。值得注意的是，要先對ground truth的g進行編碼得到，因為預測值l也是編碼值，若設(shè)置variance_encoded_in_target=True，編碼時要加上variance： 

對于置信度誤差，其采用softmax loss: 

權(quán)重系數(shù)a通過交叉驗證設(shè)置為1。

（3）數(shù)據(jù)擴增 

采用數(shù)據(jù)擴增（Data Augmentation）可以提升SSD的性能，主要采用的技術(shù)有水平翻轉(zhuǎn)（horizontal flip），隨機裁剪加顏色扭曲（random crop & color distortion），隨機采集塊域（Randomly sample a patch）（獲取小目標訓練樣本），如下圖所示：

圖9 數(shù)據(jù)擴增方案

其它的訓練細節(jié)如學習速率的選擇詳見論文，這里不再贅述。

表1 SSD在不同數(shù)據(jù)集上的性能

SSD與其它檢測算法的對比結(jié)果（在VOC2007數(shù)據(jù)集）如表2所示，基本可以看到，SSD與Faster R-CNN有同樣的準確度，并且與Yolo具有同樣較快地檢測速度。

表2 SSD與其它檢測算法的對比結(jié)果（在VOC2007數(shù)據(jù)集） 

文章還對SSD的各個trick做了更為細致的分析，表3為不同的trick組合對SSD的性能影響，從表中可以得出如下結(jié)論：

• 數(shù)據(jù)擴增技術(shù)很重要，對于mAP的提升很大；

• 使用不同長寬比的先驗框可以得到更好的結(jié)果；

表3 不同的trick組合對SSD的性能影響 

同樣的，采用多尺度的特征圖用于檢測也是至關(guān)重要的，這可以從表4中看出：

表4 多尺度特征圖對SSD的影響 

SSD在很多框架上都有了開源的實現(xiàn)，這里基于balancap的TensorFlow版本（https://github.com/balancap/SSD-Tensorflow）來實現(xiàn)SSD的Inference過程。這里實現(xiàn)的是SSD300，與paper里面不同的是，這里采用。首先定義SSD的參數(shù)：

self.ssd_params = SSDParams(img_shape=(300, 300),   # 輸入圖片大小
                                num_classes=21,     # 類別數(shù)+背景
                                no_annotation_label=21,
                                feat_layers=["block4", "block7", "block8", "block9", "block10", "block11"],   # 要進行檢測的特征圖name
                                feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)],  # 特征圖大小
                                anchor_size_bounds=[0.15, 0.90],  # 特征圖尺度范圍
                                anchor_sizes=[(21., 45.),
                                              (45., 99.),
                                              (99., 153.),
                                              (153., 207.),
                                              (207., 261.),
                                              (261., 315.)],  # 不同特征圖的先驗框尺度（第一個值是s_k，第2個值是s_k+1）
                                anchor_ratios=[[2, .5],
                                               [2, .5, 3, 1. / 3],
                                               [2, .5, 3, 1. / 3],
                                               [2, .5, 3, 1. / 3],
                                               [2, .5],
                                               [2, .5]], # 特征圖先驗框所采用的長寬比（每個特征圖都有2個正方形先驗框）
                                anchor_steps=[8, 16, 32, 64, 100, 300],  # 特征圖的單元大小
                                anchor_offset=0.5,                       # 偏移值，確定先驗框中心
                                normalizations=[20, -1, -1, -1, -1, -1],  # l2 norm
                                prior_scaling=[0.1, 0.1, 0.2, 0.2]       # variance
                                )

然后構(gòu)建整個網(wǎng)絡，注意對于stride=2的conv不要使用TF自帶的padding="same"，而是手動pad，這是為了與Caffe一致：

def _built_net(self):
    """Construct the SSD net"""
    self.end_points = {}  # record the detection layers output
    self._images = tf.placeholder(tf.float32, shape=[None, self.ssd_params.img_shape[0],
                                                    self.ssd_params.img_shape[1], 3])
    with tf.variable_scope("ssd_300_vgg"):
        # original vgg layers
        # block 1
        net = conv2d(self._images, 64, 3, scope="conv1_1")
        net = conv2d(net, 64, 3, scope="conv1_2")
        self.end_points["block1"] = net
        net = max_pool2d(net, 2, scope="pool1")
        # block 2
        net = conv2d(net, 128, 3, scope="conv2_1")
        net = conv2d(net, 128, 3, scope="conv2_2")
        self.end_points["block2"] = net
        net = max_pool2d(net, 2, scope="pool2")
        # block 3
        net = conv2d(net, 256, 3, scope="conv3_1")
        net = conv2d(net, 256, 3, scope="conv3_2")
        net = conv2d(net, 256, 3, scope="conv3_3")
        self.end_points["block3"] = net
        net = max_pool2d(net, 2, scope="pool3")
        # block 4
        net = conv2d(net, 512, 3, scope="conv4_1")
        net = conv2d(net, 512, 3, scope="conv4_2")
        net = conv2d(net, 512, 3, scope="conv4_3")
        self.end_points["block4"] = net
        net = max_pool2d(net, 2, scope="pool4")
        # block 5
        net = conv2d(net, 512, 3, scope="conv5_1")
        net = conv2d(net, 512, 3, scope="conv5_2")
        net = conv2d(net, 512, 3, scope="conv5_3")
        self.end_points["block5"] = net
        print(net)
        net = max_pool2d(net, 3, stride=1, scope="pool5")
        print(net)

        # additional SSD layers
        # block 6: use dilate conv
        net = conv2d(net, 1024, 3, dilation_rate=6, scope="conv6")
        self.end_points["block6"] = net
        #net = dropout(net, is_training=self.is_training)
        # block 7
        net = conv2d(net, 1024, 1, scope="conv7")
        self.end_points["block7"] = net
        # block 8
        net = conv2d(net, 256, 1, scope="conv8_1x1")
        net = conv2d(pad2d(net, 1), 512, 3, stride=2, scope="conv8_3x3",
                     padding="valid")
        self.end_points["block8"] = net
        # block 9
        net = conv2d(net, 128, 1, scope="conv9_1x1")
        net = conv2d(pad2d(net, 1), 256, 3, stride=2, scope="conv9_3x3",
                     padding="valid")
        self.end_points["block9"] = net
        # block 10
        net = conv2d(net, 128, 1, scope="conv10_1x1")
        net = conv2d(net, 256, 3, scope="conv10_3x3", padding="valid")
        self.end_points["block10"] = net
        # block 11
        net = conv2d(net, 128, 1, scope="conv11_1x1")
        net = conv2d(net, 256, 3, scope="conv11_3x3", padding="valid")
        self.end_points["block11"] = net

        # class and location predictions
        predictions = []
        logits = []
        locations = []
        for i, layer in enumerate(self.ssd_params.feat_layers):
            cls, loc = ssd_multibox_layer(self.end_points[layer], self.ssd_params.num_classes,
                                          self.ssd_params.anchor_sizes[i],
                                          self.ssd_params.anchor_ratios[i],
                                          self.ssd_params.normalizations[i], scope=layer+"_box")
            predictions.append(tf.nn.softmax(cls))
            logits.append(cls)
            locations.append(loc)
        return predictions, logits, locations

對于特征圖的檢測，這里單獨定義了一個組合層ssd_multibox_layer，其主要是對特征圖進行兩次卷積，分別得到類別置信度與邊界框位置：

# multibox layer: get class and location predicitions from detection layer
def ssd_multibox_layer(x, num_classes, sizes, ratios, normalization=-1, scope="multibox"):
    pre_shape = x.get_shape().as_list()[1:-1]
    pre_shape = [-1] + pre_shape
    with tf.variable_scope(scope):
        # l2 norm
        if normalization > 0:
            x = l2norm(x, normalization)
            print(x)
        # numbers of anchors
        n_anchors = len(sizes) + len(ratios)
        # location predictions
        loc_pred = conv2d(x, n_anchors*4, 3, activation=None, scope="conv_loc")
        loc_pred = tf.reshape(loc_pred, pre_shape + [n_anchors, 4])
        # class prediction
        cls_pred = conv2d(x, n_anchors*num_classes, 3, activation=None, scope="conv_cls")
        cls_pred = tf.reshape(cls_pred, pre_shape + [n_anchors, num_classes])
        return cls_pred, loc_pred