在本章節中，回顧了固态硬盘(单发探测器)。美国有线电视新闻网(通過使用)地区提案网(我們只需要一次拍攝來偵測影像中的多個物件，而基於)的方法，如R-系列，需要兩次拍攝，一次用於生成地区提案，一次用於偵測每個建議的物件。基于因此，與基於兩次rpn的的方法相比、固态硬盘要快得多。

SSD300以59 Fps的速度達到74.3%的MAP，而SSD500以22 Fps的速度達到76.9%的MAP，其表現優於Ficker R-CNN(7FPS时MAP为73.2%)和YOLOv1(45 FPS时MAP为63.4%)。以下是使用MobileNet進行特徵選取的固态硬盘示例：Faster R-CNN (73.2% mAP at 7 FPS) YOLOv1 (63.4% mAP at 45 FPS)

從上面，我們可以看到驚人的实时性能。固态硬盘是2016年ECCV的一篇論文，在我寫這篇文章時引用了2000多篇。

承保范围是什么？

1.多盒检测器

• 在經過一定的卷積進行特徵選取後，我們得到了一個大小為m×n(位置數)的具有p個通道的Feature Layer，如8×8或4×4以上.在這個m×n×p特征层上應用了一個3×3转换
• 對於每個位置，我們得到k個包围盒。這些k個包围盒具有不同的大小和長寬比。這個概念是，也許垂直矩形更適合人類，而水平矩形更適合汽車.
• 對於每個邊界框，我們將計算c個Class Score和相對於原始默认边界框形狀的4個偏移量。
• 因此，我們得到了(c+4)KMN输出。

這就是為什麼這篇論文被稱為“固态硬盘：单发多盒探测器”。但上面提到的只是固态硬盘的一部分。

2.SSD网络架构

為了得到更準確的偵測，不同層的特征地图也要進行3×3的小卷積，用於如上所示的目標偵測。

• 例如，在Conv4_3，其大小為38×38×512.採用3×3conv.有4個包围盒，每個包围盒都有(类+4)輸出。因此，在Conv4_3時，輸出為38×38×4×(c+4)。假設有20個对象类加上一個背景类，輸出為38×38×4×(21+4)=144400。根據包围盒的數量，有38×38×4=5776個包围盒。
• 類似地，其他Conv層也是如此：
• Conv7：19×19×6=2166箱(每个位置6箱)
• Conv8_2：10×10×6=600个盒子(每个位置6个盒子)
• Conv9_2：5×5×6=150个盒子(每个位置6个盒子)
• Conv10_2：3×3×4=36个盒子(每个位置4个盒子)
• Conv11_2：1×1×4=4个长方体(每个位置4个长方体)

如果我們把它們加起來，我們總共得到5776+2166+600+150+36+4=8732box。如果我們還記得Yolo，在Grid中有7×7個位置，每個位置有2個包围盒。Yolo只得到了7×7×2=98盒。因此，固态硬盘有8732個包围盒，比yolo的包围盒多。

3.损失函数

損失函數由兩個項目組成：lconf和loc，其中N是匹配的默认值框。

LLOC是定位损失，它是预测框(L)和地面实况框(G)參數之間的平滑L1损失。這些參數包括包围盒的中心點(Cx、Cy)、寬度(W)和高度(H)的偏移。美国有线电视新闻网更快的R-這種損失與類似。

LCONF是信任度损失、它是多等级信任度(C)上的软最大信任度损失。(通過交叉验证將α設定為1.)xij^p={1，0}是將第i個默认框與第j個第p類個地真值框匹配的指標。

4.默认框的比例和纵横比

假設我們有m個用於預測的要素地图、我們可以為第k個要素地图計算Scale-Sk。其中SMIN為0.2SMAX為0.9.這意味著最低層的比例為为0.2%，最高層的比例為为0.9%。中間的所有層都是有規則的間隔.

對於每個Scale-Sk，我們有5個非正方形纵横比：

對於宽高比為1：1的情况，我們得到了SK‘：

因此，我們最多可以有6個具有不同纵横比的边界框。對於只有4個包围盒的網路層，將忽略ar=1/3和3的情況。

5.培训的一些细节

5.1硬性否定挖掘

我們不使用所有Negative Example，而是使用每個Default Box的最高Trusted Lost對它們進行排序，並挑選出最高的，以便使Negative和Posives之間的比率最多為3：1.

這可以導致更快的優化和更穩定的訓練.

5.2数据增强

通過以下管道對每個訓練影像進行隨機採樣：

• 整個原始輸入影像
• 對Patch進行採樣，以便與Object的重疊為0.1、0.3、0.5、0.7或0.9.
• 隨機抽取一個补丁

每個采样面片的大小為[0.1，1]或原始影像大小，纵横比為1/2到2。在上述步驟之後，每個采样补丁將被調整到固定大小，並且可能以0.5的機率水平翻轉，此外還有一些光度量失真[14]。

5.3声道卷积(孔算法/膨胀卷积)

基本網絡為VGG16，並使用ILSVRC分类数据集進行預訓練。FC6和FC7更改為卷積層，如Conv6和Conv7上圖所示VGG16

此外、FC6、和、FC7、使用Atrus卷积(也稱為Hole Algorithm或Expanded卷積)代替傳統卷積.Pool5由2×2-S2變為3×3-S1。

如我們所見，Conv6和Conv7的Feature Map較大，與傳統卷積相比，使用如上所示的ATHOS卷积可以增加接受场，同時保持相對較少的參數數量。(我希望我能在未來回顧DeepLab以更詳細地介紹這一點.)

6.结果

有兩種模型：固态硬盘300和固态硬盘512.

SSD300型：300×300输入图像，分辨率較低，速度較快。

SSD512：512×512输入图像，分辨率較高，準確度更高。讓我們看看結果.

6.1模型分析

• 数据增强至關重要，從为65.5%，提高到为74.3%。
• 使用更多的默认框为形狀，MAP從为71.6%，提高到为74.3%.
• 使用Atrus，結果大致相同.但是沒有Atros的大約慢20%.

Conv層的輸出越多，包含的包围盒就越多。通常，準確率從为62.4%，提高到为74.6%。然而，包含感染11_2會使結果更糟。作者認為盒不夠大，無法覆蓋大型物體。

6.2帕斯卡VOC 2007

如上所示、SSD512的MAP為为81.6%。SSD300有79.6%的MAP，這已經比速度更快的78.8%的R-cnn好。

6.3帕斯卡VOC 2012

SSD512(80.0%)，比较快，R-CNN(75.9%)，的準確率高了4.1%。

6.4 MS可可

SSD512在MAP@0.5cnn更快的R-的準確率上僅比快1.2%.這是因為對於較大的物體，它的AP(4.8%)，和AR(4.6%)要好得多，但對於較小的物體，AP(1.3%)和AR(2.0%)的改善相對較少。

更快的R-CNN比起固态硬盘在較小物件上更具競爭力。基于作者認為這是由於rpn的的方法，包括兩次拍摄。

6.5 ILSVRC Det

在固态硬盘300上獲得了初步結果:在Val2集合上獲得了43.4%的MAP。

6.6针对小对象精度的数据增强

為了克服在6.4中提到的小物件Missing Detect的弱點，進行了“縮小(Zom Out)”操作用於建立更多的小訓練樣本.並達到在多個跨資料集增加了2%-3%MAP，如下所示：

6.7推理时间

• 批量大小為1時，固态硬盘300和固态硬盘512可分別獲得46和19 FPS。
• 批量大小為8時，固态硬盘300和固态硬盘512可分別獲得59和22 FPS。

SSD300和SSD512都具有更高的MAP和FPS。因此、固态硬盘是需要研究的物件偵測方法之一。順便說一句，我希望將來我能涵蓋数字标清。

参考文献