SSD，Center Net

SSD并不像Yolo一样满地开花，比较像一个孤岛。虽然在初期有比较惊艳的表现，但是在发育上明显落后Yolo，被人家甩飞了，但是毕竟也是目标检测元老级的人物，还是需要在学习笔记上留下它的身影才可以。

上图是SSD的网络结构图，从图上可以知道，BBox的输出是多尺度的，每一层的feature map都有输出。不像之后的Yolo，只有固定的输出层有输出。在SSD里面，低层预测小目标，高层预测大目标。
设置的anchor数量还是比较多的，所以对不同大小的目标检测效果比较好。前面我们知道了SSD提取的是anchor对应区域的特征，实际训练的时候还需要知道每个anchor的分类和回归的label，如何确定呢？SSD通过anchor与groundtruth匹配来确定label。
对于anchor的一些问题：在Yolo里面没有整理，在这里可以整理一下：
1. 为什么要设置anchor：
- 通过设计anchor，能够使得特征图与特定大小的目标进行相应。
1. 为什么同一个检测层可以设置不同大小的anchor：
- 有效感受野理论说明，每一层实际响应的区域其实是有效感受野区域，而且这个感受野区域在训练的过程中会发生变化（比如不同数据集影响等）。正是由于有效感受野能够随着训练过程发生变化，具有自适应性，所以可以在同一个检测层设置不同大小的anchor，到时候直接通过网络来选择到底哪个anchor的响应更好。
1. 为什么可以在同一个特征图上设置多个anchor检测到不同尺度的目标：
- 分类和回归使用的是同一个特征图，但是不同通道的卷积核学习到的那块区域是有不同的特征的，所以不同通道对应的anchor能够监测到不同尺度的目标。
1. anchor本身不参与网络的实际训练，anchor影响的是classification和regression分支如何作用。测试的时候anchor就像滑动窗口一样，在图像中滑动，对每个anchor做分类和回归得到最终的结果。
SSD里面用到了难样本挖掘的方法，这个可以注意一下。对loss比较大的样本和分类错误的样本加比较大的权重，进行特别关照。

SSD缺点：

对小物体检测效果一般，作者认为小目标在高层没有足够信息。
对小目标检测的改进可以通过下面几个方面考虑：增大输入尺寸，使用更低的特征图做检测，或者用FPN。其实检测和分割都会用到这种方法。
anchor的设置可以和Yolo差不多，通过聚类的方式找到比较是和的anchor大小。

Center Net：

其实anchor还是有很多缺点的，它的缺点可以总结如下：
1. 需要根据不同数据集进行设置，泛化能力比较差，不太好设置
2. 会增大运算量，产生很多的数据冗余，最终要进行NMS等后处理才能够选出合适的结果
3. 正负样本不均衡严重，要应用focal loss等平衡正负样本的方法
我们知道YoloV1也是anchor free的网路，只不过效果比较不好。这个center net是论文里面没有center net的那一篇文章的center net。它主要有以下重点知识：
center net又快有准，直接把物体当成点去检测，只检测物体的中心点。它把卷积神经网络乐高化了。把它变成backbone -> link -> function head这三个结构，backbone可以随便改，link只管承上启下，function head可以自己加。具体如下图所示：
我们可以大致看看backbone用了啥：
这个backbone清一色在最后进行了upsample，这个是比较重要的，如果feature map的分辨率太小的话，会导致定位会有量化误差，并不准，所以需要扩大了方便定位。这也和分割网络有异曲同工之处。具体的backbone就不介绍了，觉得万变不离其宗。
在center net里面，它的function head主要包括三个部分，一个是中心热力点云，一个是量化误差预测，还有一个就是size的回归。我们一个一个来说：

Center Heatmap:

这个应该是非常重要的一部分了，决定了选框能否准确。

- [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-WQDVY4v8-1625839749460)(SSD和Center Net：.assets/image-20210709213040354.png)]

首先我们可以看到Center Heatmap的feature map的shape，为什么有80个通道呢？因为coco数据集有80类，每一个通道用来预测一个类别。这一部分是用来提取特征的。
在这个网络里面，没有直接通过xy回归得到中心点坐标，因为直接暴力回归的准确率确实比较堪忧（经过下采样再上采样，引入的误差和量化量还是比较可观的，特别是非对称结构的上下采样，肯定会引入无法避免的量化误差）。而是通过点云回归。其实不需要通过这么硬的标签进行回归，硬的不行软的也可以凑合一下。所以通过高斯核软化中心坐标，是它变成概率点云。其实和热力图差不多，半径的选择是经过cornet 指导的，在这个网络有特别的半径选择方法。说白了就是通过bbox的大小确定，如果bbox的size比较大，那么就让半径大一些，反之就小一些。这样回归经过实验效果会好一些。
在loss函数的计算上用focal loss，这样可以滤除不是中心点，但是有一定概率的点云点。
产生了bbox之后当然需要后处理了。其实这一次的后处理用3x3max pool，为什么可以呢？因为我们用的是点云，所以只要找到邻域里面最大值的点。经过max pool，如下图，我们找到的一般就是最大值的点。然后可以和其他的不是最大值的点隔开。这样就能起到后处理的效果。通过max pool得到mask，再用mask就能找到效果最好的中心点了。

offset：

现在我们已经知道了量化误差这个东西，不管是Yolo还是RCNN全家桶都有量化误差这个苦恼。所以对于中心点的预测肯定有1个像素范围内的误差。现在用点云也会有误差，因为不一定刚刚好就在整坐标上。如果有误差可以直接预测，专门用两个channel预测误差，一个预测x误差一个是预测y的误差。~是向下取整的意思。
量化误差是无法避免的，干脆就去预测就好了，有这样想法的作者也是很豪爽。

最后一步：预测size：

中心点都预测出来了，接下来就预测size，宽高就可以了。最终得到的需要反向传播的loss如下图所示：
$L_{\text {det }}=L_{k}+\lambda_{\text {size }} L_{\text {size }}+\lambda_{\text {off }} L_{\text {eff }},\left(\lambda_{\text {size }}=0.1, \lambda_{\text {off }}=1\right)$
如果还需要其他功能，比如预测深度，加上分割，就直接添加相应功能头就可以了。