改进的SSD算法及其在目标检测中的应用

张 震 李孟洲 李浩方 马军强

(郑州大学电气工程学院 河南 郑州 450001)

0 引 言

随着互联网储存大量的数据，计算机拥有强大的运算能力以及国内外在深度学习取得多方面的突破，目标检测也应运而生。Girshick等[1]在2014年提出R-CNN促使深度学习在目标检测领域飞速发展，紧接着SPP-Net(Spatial Pyramid Pooling Networks)、Fast-R-CNN[2]、Faster-R-CNN[3]、YOLO[4-5]、YOLO2、SSD[6]、DSSD[7]等也进一步促进了目标检测的发展。目前，目标检测已应用于多个领域，也成为当前的研究热点。

近年来，深度学习在目标检测衍生出来的主流算法大致分为两类。一类是基于R-CNN展开的各种算法，主要包括Fast-R-CNN、Faster-R-CNN、Mask-R-CNN、RFCN[8]；另一类则为YOLO、YOLO2、SSD等。其中第一类会先进行区域选取(region proposals)，再对所选区域进行分类(classification)。第二类则是直接将产生的proposal同时进行了regression+classification。因此，第二类相比于第一类在速度方面更占优势，但是精确度(Precision)和召回率(Recall)皆有所下降。

Fast-R-CNN是在SPP-Net基础上进行了改进，并将它嫁接到VGG16上所形成的网络，将SPP改成RoI Layer pooling层，通过Softmax Classifer和Bounding-Box Regressors联合训练的方式来更新所有参数，实现了整个网络端到端的训练；Faster-R-CNN与Fast-R-CNN最大的区别是融合了一种新的网络RPN(Region Proposal Network)来替代之前的search selective；Mask-R-CNN主要是对Faster-R-CNN的输出进行了改进，增添了一个新的输出object mask；RFCN与Faster-R-CNN的网络结构不同之处在于不再以VGG16作为基础网络，而以ResNet为基础网络。YOLO使用了全新的训练方式筛选候选框—采用整图的方式来训练模型，并且可以一次性预测多个Box的类别和位置；YOLO2在YOLO的基础上去掉了网络与类别的预测绑定在一起，也使用了anchor box模式，更多地使用了卷积来代替全连接网络，并增加了BN算法，同时提升了网络的入口分辨率，去掉最后的池化层，保证有更好的分辨率；……