[人工智能]目标检测论文记录（1）

SSD:Single Shot MultiBox Detector

Abstract

• 首先SSD目标检测器是一个端到端的目标检测器即One Stage。
• 本文对于可能存在目标的输出空间进行离散化处理，针对特征图的每一个位置预设了一系列长宽比和尺度的bounding boxes(文中将这些框称为default boxes)。
• 预测阶段阶段网络为每一个default boxes生成类别分数以及与实际目标框的偏移量进行更好的拟合目标形状。
• 检测器结合不同深度卷积层的感受野大小不同，利用多尺度特征图进行不同大小目标的检测。

Introduction

• 目前主流的目标检测系统主要针对一下几个方面进行改进：
  • 假设bounding boxes位置
  • 为每个box区域采样像素和特征表示
  • 针对采样得到的特征进行分类处理
• 本文的改进点在于减少了bounding box提出和特征重采样阶段
  • 利用小卷积核去预测类别概率和bounding box的偏移量
  • 针对不同长宽比的使用不同的预测器
  • 多尺度特征图预测

The Single Shot Detector

Model

• 使用VGG-16网络作为骨架网络。

• 在骨架网络的尾部增加了几层卷积层，使得特征图大小逐步减小，使得后续可以进行多尺度检测。
  

• 在不同尺度的特征图上增加了预测头(预测类别概率和坐标偏移量)，预测头也是利用卷积层实现。

• 每个特征图单元预设了一系列default boxes，最终每个单元格预测一个类别概率和相对于default boxes的偏移量。

  • 假设每个单元格有$k$个default boxes，类别数目为$c$，坐标偏移量需要4个参数控制，即对于$m\times n$的特征图会产生$k(c+4)mn$个输出。
    

Training

• 关键区别是真实的标签信息需要分配给检测器的输出。
• 训练流程涉及的方面
  • 如何选择默认框的集合
  • 检测框的尺度选择
  • 难负样本挖掘
  • 数据增强策略
• Matching strategy
  • 训练期间需要确定那些默认框和真实框对应。
  • 对于每一个真实框我们从所有默认框(包括不同长宽比、尺度、不同位置)中选择一个IOU最大的默认框作为匹配项。
  • 然后匹配默认框和所有真实框中IOU大于阈值(文中设为0.5)。
• Training Objective
  • 整体的目标损失函数主要由定位损失和置信度损失两部分组成。
    $$L(x,c,l,g)=\frac{1}{N}(L_{conf}(x,c)+\alpha L_{loc}(x,l,g))$$
  • N表示匹配默认框的个数，如果为0该损失设置为0
  • 定位损失使用的是Smooth L1 loss在predicted box(l)和ground truth box(g)之间的参数。
  • 需要注意的是对于坐标参数网络实际回归的是偏移量，即框的中心(cx,cy)相对于default bounding box(d)。
    L l o c ( x , l , g ) = ∑ i ∈ P o s N ∑ m ∈ { c x , c y , w , h } x i j k s m o o t h L 1 ( l i m ? g ^ j m ) L_{loc}(x, l ,g) = \sum_{i \in Pos}^N \sum_{m \in \{cx, cy, w, h\}} x_{ij}^k smooth_{L1}(l_i^m - \hat{g}_j^m) Lloc?(x,l,g)=i∈Pos∑N?m∈{cx,cy,w,h}∑?xijk?smoothL1?(lim??g^?jm?)
    $${\hat{g}}_j^{cx}=(g_j^{cx}?d_i^{cx})/d_i^w{\hat{g}}_j^{cy}=(g_j^{cy}?d_i^{cy})/d_i^h$$
    $${\hat{g}}_j^w=log(\frac{g_j^w}{d_i^w}){\hat{g}}_j^h=log(\frac{g_j^h}{d_i^h})$$
  • $x_{ij}^k$表示第i个默认框和第j个真实框相匹配，且真实框的类别信息为k。
  • 置信度损失函数使用softmax loss。
    $$L_{conf}(x,c)=?\sum _{i\in Pos}^N{x}_{ij}^{p}log({\hat{c}}_i^p)?\sum _{i\in Neg}log({\hat{c}}_i^0)where{\hat{c}}_i^p=\frac{exp(c_i^p)}{{\sum }_{p}exp(c_i^p)}$$
• Choosing scales and aspect ratios for default boxes
  • 文中框的尺度采用线性均匀划分的处理方式，浅层的特征图对应小的尺度用于捕捉小的目标，深层的特征图对应大的尺度。
    $$s_k=s_{min}+\frac{s_{max}?s_{min}}{m?1}(k?1),k\in [1,m]$$
  • 其中$s_{min}$设为0.2，$s_{max}$设为0.9。
  • 长宽比 a r ∈ { 1 , 2 , 3 , 1 / 2 , 1 / 3 } a_r \in \{1, 2, 3, 1/2, 1/3\} ar?∈{1,2,3,1/2,1/3}，$w_k^a=s_k\sqrt{a_r}{h}_k^a=s_k/\sqrt{a_r}$。
  • 对于长宽比为1的默认框增加了$s^{\prime }=\sqrt{s_k{s}_{k+1}}$的尺度。
  • 设置默认框的中心坐标为$(\frac{i+0.5}{|f_k|},\frac{j+0.5}{|f_k|})$，$|f_k|$表示特征图的大小，$i,j\in [0,|f_k|]$，即默认框的中心坐标是每个单元格的中心位置，此处进行了归一化处理。
• Hard negative mining
  • 默认框和真实框匹配完成后会导致大量的负样本存在，出现正负样本不均衡的问题。
  • 利用置信度损失进行负样本排序，选择置信度损失高的作为负样本使得正负样本比例保持在$1:3$.。