SSD
1 網絡結構
2 效果
DSSD
論文地址：https://arxiv.org/abs/1701.06659
代碼：https://github.com/chengyangfu/caffe/tree/dssd
DSSD是2017年的CVPR，二作就是SSD的一作Wei Liu。
這類改進算法並不是只適應一種算法，比如Faster RCNN中的RPN網絡和Anchor 的思想，SPPNet中的SPP layer等等，這些改進同樣適應其他算法，Fast RCNN使用了SPP layer，改進成爲了ROI Pooling。
1 DSSD的貢獻：
本文最大的貢獻，在常用的目標檢測算法中加入上下文信息。通俗點理解就是，基於CNN的目標檢測算法基本都是利用一層的信息（feature map），比如YOLO，Faster RCNN等。還有利用多層的feature map 來進行預測的，比如ssd算法。那麼各層之間的信息的結合並沒有充分的利用。
DSSD算法就是爲了解決這個問題的。
2 DSSD算法的由來：
既然是SSD算法的改進算法，我們先看看SSD算法的一些缺點。
SSD算法的缺點衆所周知了，就是對小目標不夠魯棒。我們先分析一下爲什麼會對小目標不夠魯棒的。
先回憶一下YOLO算法，把檢測的圖片劃分成14*14的格子，在每一個格子中都會提取出目標檢測框，最初的時候每一個格子只會提取出一個目標框，這時問題就很大，因爲可能會有兩個目標落入一個格子中，那麼就會出現漏檢。
順理成章的是，在一個格子中提取出多個檢測框來匹配目標，這時我們可以使用Anchor的思路，一個格子中加上6到9個不同的檢測框。這樣就可以匹配大部分目標了。這也算解決了漏檢問題了。
但是還是會有問題的，比如我們的9個Anchor比較大的話，比較小的目標就又無法匹配到了。那怎麼解決吶？
SSD的思路就是我可以在更潛的一些層（feature map）上，來更好的匹配小目標。換句話說就是把圖片分成的格子更小了，一張圖片分成的格子的數目變多了。那麼這樣再在這些格子中使用Anchor ，這樣漏檢的概率就會大大減小了。
所以SSD的mAP比YOLO提高了不少。
但是！在淺層提取的feature map表徵能力不夠強，也就是淺層的feature map中每個格子也可以判斷這個格子中包含的是哪一個類，但是不夠那麼確定！
可能會出現混淆。就是框是標對了，但是分類有可能出錯，或者置信度不夠高，不確定框裏面的東西是什麼？（有可能是分錯類，也有可能是背景誤認爲成目標）。
這樣同樣會出現誤檢和漏檢。這種情況對於小目標出現的概率更高。所以SSD算法對小目標還是不夠魯棒。
3 網絡結構
4 小目標檢測效果顯著
4.1 預測模塊
SSD的直接從數個卷積層中分別引出預測函數，預測量多達7000多，梯度計算量也很大。MS-CNN方法指出，改進每個任務的子網可以提高準確性。根據這一思想，作者在每一個預測層後增加殘差模塊，並且對於多種方案進行了對比，如下圖所示。結果表明，增加殘差預測模塊後，高分辨率圖片的檢測精度比原始SSD提升明顯。
4.2 反捲積模塊
爲了引入更多的高級上下文信息，作者在SSD+Resnet-101之上，採用反捲積層來進行預測，和原始SSD是不同的，最終形成沙漏形的網絡。添加額外的反捲積層以連續增加後面特徵圖的分辨率，爲了加強特徵，作者在沙漏形網絡中採用了跳步連接（skip connection）方法。按理說，模型在編碼和解碼階段應該包含對稱的層，但由於兩個原因，作者使解碼（反捲積）的層比較淺：其一，檢測只算是基礎目標，還有很多後續任務，因此必須考慮速度，做成對稱的那速度就快不起來。其二，目前並沒有現成的包含解碼（反捲積）的預訓練模型，意味着模型必須從零開始學習這一部分，做成對稱的則計算成本就太高了。
爲了整合淺層特徵圖和反捲積層的信息，作者引入瞭如figure 3所示的反捲積模塊，該模塊可以適合整個DSSD架構（figure1 底部實心圓圈）。作者受到論文Learning to Refine Object Segments的啓發，認爲用於精細網絡的反捲積模塊的分解結構達到的精度可以和複雜網絡一樣，並且更有效率。作者對其進行了一定的修改，如Figure 3所示：其一，在每個卷積層後添加批歸一化層；其二，使用基於學習的反捲積層而不是簡單地雙線性上採樣；其三，作者測試了不同的結合方式，元素求和（element-wise sum）與元素點積（element-wise product）方式，實驗證明點積計算能得到更好的精度。
4.3 小目標檢測效果
5 速度感人
YOLOV3
SSD VS YOLOV3
小結：目前開源技術模型裏實時檢測YOLOV3沒話說