论文题目：Enhancement of SSD by concatenating feature maps for object detection

1. 前言¶

继续来开开脑洞，今天要介绍BMVC 2017的一个SSD的改进算法R-SSD。关于SSD可以看一下之前的论文笔记：目标检测算法之SSD，后面我也会整理出来一个非常详细的Pytorch版本的SSD代码的解读，确认无误后发送给感兴趣的同学。这里先看一下SSD的网络结构图吧。

SSD的网络结构图

带有特征图维度信息的更清晰的骨干网络和VGG16的对比图如下：

SSD的BackBone

2. 出发点¶

一般来说，深度神经网络的特征图数量越多，我们获得的性能一般会更好。但是这并不一定代表着简单的增加特征图的数量就能使得效果变好，这一点在实验部分有说明。这篇论文在SSD的基础上并没有改变BackBone网络，即还是应用稍加修改的VGG16为BackBone。这篇论文的贡献是提出了新的特征融合方式来提升了SSD的效果，这一改进使得SSD可以充分利用特征，虽然速度稍慢于原始的SSD算法，但mAP却获得了较大的提升。

3. 介绍¶

传统的SSD算法通过不同层的特征来做检测，使得其对尺度变化有较好的鲁棒性，在速度和精度的Trade-Off上也做得比较好，但是SSD有2个明显的问题：

在SSD中，不同层的特征图都是独立作为分类网络的输入，因此容易出现相同物体被不同大小的框同时检测出来的情况。
对小目标的检测效果比较差，当然这也是大多数目标检测算法的通病了。

因此，这篇算法也主要从这两点出发来改进传统的SSD算法。首先，本文利用分类网络增加不同层之间的特征图联系，减少重复框的出现。然后，增加特征金字塔中特征图的个数，使得网络可以检测更多的小目标。下面的Figure5(a),(b)分别展示了SSD算法出现的上述 $2$ 个问题，而Figure5(c),(d)分别展示了本文提出的R-SSD算法的改进效果图。

4. Rainbow SSD核心原理¶

下面的Figure3展示了几种不同的特征融合方式。

几种不同的特征融合方式

我们来尝试解析一下这些图都表示什么？

Figure3(a)：这表示使用pooling方式的特征图融合，我们可以看到(a)最左边的 $38\times 38$ 的特征图将其做一个pooling之后和接下来那个 $19\times 19$ 的特征图进行concate，获得了那个一个红加一个橙的特征图。后面同理。。
Figure3(b)：这表示使用反卷积的方式进行特征融合，注意这里是从右边的 $1\times 1$ 的紫色特征图往左做concate，因为反卷积是升维，所以从右至左。
Figure3(c)：表示同时使用Pooling和反卷积做特征融合。 这个结构就是本文的Radinbow SSD的核心了，即同时从左至右（pooling，concate）和从右至左（deconvolution，concate）。

可以看到Rainbow SSD里融合后的特征图色彩很像彩虹，这大概就是这个名字的由来了。另外一个关键点是在做concate之前都会对特征图做一个normalization操作，因为不同层的特征图的scale是不同的，本文中的normalization方式采用Batch Normalization。

由于Figure3中的特征融合方式比较特殊，这就导致融合后的每一层特征图的个数都是相同的，都为 $2816$ ，因此可以共享部分参数，具体来说就是default boxes的参数共享

下面的Table1展示了和SSD算法中的default boxes的数量对比。

每一个分类网络(检测头)个数以及box的总个数

5. 实验结果¶

下面的Table3展示了不同的实验对比结果，同时Table2表示只在原始的SSD基础上增加不同特征层数量的I-SSD算法。通过Table3的实验结果可以看出虽然ISSD也获得了不错的效果，但是它的FPS却偏低。本文的Rainbow SSD效果和FPS都表现不错。R-FCN虽然效果不错，但是速度上不占优势。

实验结果