目標檢測|SSD原理與實現

前言

目標檢測近年來已經取得了很重要的進展，主流的算法主要分為兩個類型（參考RefineDet）：（1）two-stage方法，如R-CNN系算法，其主要思路是先通過啟發式方法（selective search）或者CNN網絡（RPN)產生一系列稀疏的候選框，然後對這些候選框進行分類與回歸，two-stage方法的優勢是準確度高；（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，抽樣時可以採用不同尺度和長寬比，然後利用CNN提取特徵後直接進行分類與回歸，整個過程只需要一步，所以其優勢是速度快，但是均勻的密集採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），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算法屬於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，對於Faster R-CNN，其先通過CNN得到候選框，然後再進行分類與回歸，而Yolo與SSD可以一步到位完成檢測。相比Yolo，SSD採用CNN來直接進行檢測，而不是像Yolo那樣在全連接層之後做檢測。其實採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徵圖來做檢測，大尺度特徵圖（較靠前的特徵圖）可以用來檢測小物體，而小尺度特徵圖（較靠後的特徵圖）用來檢測大物體；二是SSD採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，並最後給出如何用TensorFlow實現SSD算法。

圖2 不同算法的基本框架圖設計理念

SSD和Yolo一樣都是採用一個CNN網絡來進行檢測，但是卻採用了多尺度的特徵圖，其基本架構如圖3所示。下面將SSD核心設計理念總結為以下三點：

圖3 SSD基本框架

（1）採用多尺度特徵圖用於檢測

所謂多尺度採用大小不同的特徵圖，CNN網絡一般前面的特徵圖比較大，後面會逐漸採用stride=2的卷積或者pool來降低特徵圖大小，這正如圖3所示，一個比較大的特徵圖和一個比較小的特徵圖，它們都用來做檢測。這樣做的好處是比較大的特徵圖來用來檢測相對較小的目標，而小的特徵圖負責檢測大目標，如圖4所示，8x8的特徵圖可以劃分更多的單元，但是其每個單元的先驗框尺度比較小。

圖4 不同尺度的特徵圖

（2）採用卷積進行檢測

與Yolo最後採用全連接層不同，SSD直接採用卷積對不同的特徵圖來進行提取檢測結果。對於形狀為 

（3）設置先驗框

在Yolo中，每個單元預測多個邊界框，但是其都是相對這個單元本身（正方塊），但是真實目標的形狀是多變的，Yolo需要在訓練過程中自適應目標的形狀。而SSD借鑑了Faster R-CNN中anchor的理念，每個單元設置尺度或者長寬比不同的先驗框，預測的邊界框（bounding boxes）是以這些先驗框為基準的，在一定程度上減少訓練難度。一般情況下，每個單元會設置多個先驗框，其尺度和長寬比存在差異，如圖5所示，可以看到每個單元使用了4個不同的先驗框，圖片中貓和狗分別採用最適合它們形狀的先驗框來進行訓練，後面會詳細講解訓練過程中的先驗框匹配原則。

圖5 SSD的先驗框

SSD的檢測值也與Yolo不太一樣。對於每個單元的每個先驗框，其都輸出一套獨立的檢測值，對應一個邊界框，主要分為兩個部分。第一部分是各個類別的置信度或者評分，值得注意的是SSD將背景也當做了一個特殊的類別，如果檢測目標共有 

習慣上，我們稱上面這個過程為邊界框的編碼（encode），預測時，你需要反向這個過程，即進行解碼（decode），從預測值 

然而，在SSD的Caffe源碼實現中還有trick，那就是設置variance超參數來調整檢測值，通過bool參數variance_encoded_in_target來控制兩種模式，當其為True時，表示variance被包含在預測值中，就是上面那種情況。但是如果是False（大部分採用這種方式，訓練更容易？），就需要手動設置超參數variance，用來對 

綜上所述，對於一個大小 

網絡結構

SSD採用VGG16作為基礎模型，然後在VGG16的基礎上新增了卷積層來獲得更多的特徵圖以用於檢測。SSD的網絡結構如圖5所示。上面是SSD模型，下面是Yolo模型，可以明顯看到SSD利用了多尺度的特徵圖做檢測。模型的輸入圖片大小是 

圖5 SSD網絡結構

採用VGG16做基礎模型，首先VGG16是在ILSVRC CLS-LOC數據集預訓練。然後借鑑了DeepLab-LargeFOV，分別將VGG16的全連接層fc6和fc7轉換成 

圖6 擴展卷積

然後移除dropout層和fc8層，並新增一系列卷積層，在檢測數據集上做finetuing。

其中VGG16中的Conv4_3層將作為用於檢測的第一個特徵圖。conv4_3層特徵圖大小是 

# 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
從後面新增的卷積層中提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2作為檢測所用的特徵圖，加上Conv4_3層，共提取了6個特徵圖，其大小分別是 ，但是不同特徵圖設置的先驗框數目不同（同一個特徵圖上每個單元設置的先驗框是相同的，這裡的數目指的是一個單元的先驗框數目）。先驗框的設置，包括尺度（或者說大小）和長寬比兩個方面。對於先驗框的尺度，其遵守一個線性遞增規則：隨著特徵圖大小降低，先驗框尺度線性增加：
其中 
默認情況下，每個特徵圖會有一個 
得到了特徵圖之後，需要對特徵圖進行卷積得到檢測結果，圖7給出了一個 
圖7 基於卷積得到檢測結果訓練過程
（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將負責預測它。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，對於圖片中每個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（其實應該是先驗框對應的預測box，不過由於是一一對應的就這樣稱呼了），反之，若一個先驗框沒有與任何ground truth進行匹配，那麼該先驗框只能與背景匹配，就是負樣本。一個圖片中ground 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：對於剩餘的未匹配先驗框，若某個ground truth的 
圖8 先驗框匹配示意圖
儘管一個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。為了保證正負樣本儘量平衡，SSD採用了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
訓練樣本確定了，然後就是損失函數了。損失函數定義為位置誤差（locatization loss， loc）與置信度誤差（confidence loss, conf）的加權和：
其中 
由於 
對於置信度誤差，其採用softmax loss:
權重係數 
（3）數據擴增
採用數據擴增（Data Augmentation）可以提升SSD的性能，主要採用的技術有水平翻轉（horizontal flip），隨機裁剪加顏色扭曲（random crop & color distortion），隨機採集塊域（Randomly sample a patch）（獲取小目標訓練樣本），如下圖所示：
圖9 數據擴增方案
其它的訓練細節如學習速率的選擇詳見論文，這裡不再贅述。
預測過程
預測過程比較簡單，對於每個預測框，首先根據類別置信度確定其類別（置信度最大者）與置信度值，並過濾掉屬於背景的預測框。然後根據置信度閾值（如0.5）過濾掉閾值較低的預測框。對於留下的預測框進行解碼，根據先驗框得到其真實的位置參數（解碼後一般還需要做clip，防止預測框位置超出圖片）。解碼之後，一般需要根據置信度進行降序排列，然後僅保留top-k（如400）個預測框。最後就是進行NMS算法，過濾掉那些重疊度較大的預測框。最後剩餘的預測框就是檢測結果了。
性能評估
首先整體看一下SSD在VOC2007，VOC2012及COCO數據集上的性能，如表1所示。相比之下，SSD512的性能會更好一些。加*的表示使用了image expansion data augmentation（通過zoom out來創造小的訓練樣本）技巧來提升SSD在小目標上的檢測效果，所以性能會有所提升。
表1 SSD在不同數據集上的性能
SSD與其它檢測算法的對比結果（在VOC2007數據集）如表2所示，基本可以看到，SSD與Faster R-CNN有同樣的準確度，並且與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果（在VOC2007數據集）
文章還對SSD的各個trick做了更為細緻的分析，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論：
表3 不同的trick組合對SSD的性能影響
同樣的，採用多尺度的特徵圖用於檢測也是至關重要的，這可以從表4中看出：
表4 多尺度特徵圖對SSD的影響TensorFlow上的實現
SSD在很多框架上都有了開源的實現，這裡基於balancap的TensorFlow版本來實現SSD的Inference過程。這裡實現的是SSD300，與paper裡面不同的是，這裡採用 
self.ssd_params = SSDParams(img_shape=(300, 300),   # 輸入圖片大小                                    num_classes=21,     # 類別數+背景                                    no_annotation_label=21,                                    feat_layers=["block4", "block7", "block8", "block9", "block10", "block11"],   # 要進行檢測的特徵圖name                                    feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)],  # 特徵圖大小                                    anchor_size_bounds=[0.15, 0.90],  # 特徵圖尺度範圍                                    anchor_sizes=[(21., 45.),                                                  (45., 99.),                                                  (99., 153.),                                                  (153., 207.),                                                  (207., 261.),                                                  (261., 315.)],  # 不同特徵圖的先驗框尺度（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]], # 特徵圖先驗框所採用的長寬比（每個特徵圖都有2個正方形先驗框）                                    anchor_steps=[8, 16, 32, 64, 100, 300],  # 特徵圖的單元大小                                    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                                    )
然後構建整個網絡，注意對於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
對於特徵圖的檢測，這裡單獨定義了一個組合層ssd_multibox_layer，其主要是對特徵圖進行兩次卷積，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
對於先驗框，可以基於numpy生成，定義在ssd_anchors.py文件中，結合先驗框與檢測值，對邊界框進行過濾與解碼：
classes, scores, bboxes = self._bboxes_select(predictions, locations)
這裡將得到過濾得到的邊界框，其中classes, scores, bboxes分別表示類別，置信度值以及邊界框位置。
基於訓練好的權重文件在https://pan.baidu.com/s/1snhuTsT下載，這裡對SSD進行測試：
ssd_net = SSD()classes, scores, bboxes = ssd_net.detections()images = ssd_net.images()
sess = tf.Session()# Restore SSD model.ckpt_filename = './ssd_checkpoints/ssd_vgg_300_weights.ckpt'sess.run(tf.global_variables_initializer())saver = tf.train.Saver()saver.restore(sess, ckpt_filename)
img = cv2.imread('./demo/dog.jpg')img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)img_prepocessed = preprocess_image(img)   # 預處理圖片，主要是歸一化和resizerclasses, rscores, rbboxes = sess.run([classes, scores, bboxes],                                      feed_dict={images: img_prepocessed})rclasses, rscores, rbboxes = process_bboxes(rclasses, rscores, rbboxes)  # 處理預測框，包括clip,sort,nms
plt_bboxes(img, rclasses, rscores, rbboxes)  # 繪製檢測結果
詳細的代碼放在GitHub，https://github.com/xiaohu2015/DeepLearning_tutorials/tree/master/ObjectDetections/SSD上了，然後看一下一個自然圖片的檢測效果：
如果你想實現SSD的train過程，你可以參考附錄裡面的Caffe,TensorFlow以及Pytorch實現。
小結
SSD在Yolo的基礎上主要改進了三點：多尺度特徵圖，利用卷積進行檢測，設置先驗框。這使得SSD在準確度上比Yolo更好，而且對於小目標檢測效果也相對好一點。由於很多實現細節都包含在源碼裡面，文中有描述不準或者錯誤的地方在所難免，歡迎交流指正。
參考文獻
1.SSD: Single Shot MultiBox Detector,http://arxiv.org/pdf/1611.10012.pdf)
2.SSD Slide,https://www.cs.unc.edu/~wliu/papers/ssd_eccv2016_slide.pdf
3.SSD Caffe,https://github.com/weiliu89/caffe/tree/ssd
4.SSD TensorFlow,https://github.com/balancap/SSD-Tensorflow
5.SSD Pytorch,https://github.com/amdegroot/ssd.pytorch
6.leonardoaraujosantos Artificial Inteligence online book,https://leonardoaraujosantos.gitbooks.io/artificial-inteligence/content/single-shot-detectors/ssd.html