关于DSSD算法相关解析

一、基础网络结构(预训练好的ResNet101).

conv1	conv(7x7),BN,ReLU,maxpool(3x3)
conv2(3)	1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(1x1),BN 相加，ReLU 2-3:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN 相加，ReLU
conv3(4)	1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(1x1),BN 相加，ReLU 2-4:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN 相加，ReLU
conv4(23)	1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(1x1),BN 相加，ReLU 2-23:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN 相加，ReLU
conv5(3)	(这里dilation取值与前面不同) 1:conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, 相加，ReLU

二、额外添加的特征提取层

add1	conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加，ReLU
add2	conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加，ReLU
add3	conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加，ReLU
add4	conv(1x1),BN,ReLU,conv(3x3),BN.ReLU,conv(1x1),BN, downsample:conv(3x3),BN 相加，ReLU

至此，该网络可以获得原始的6个尺度不一的特征图（从conv3,conv5,add1,add2,add3,add4获得）

尺寸分别为[40,20,10,5,3,1]。【但是不是本文最终获取的特征图】

三、反卷积层

采用反卷积层的好处：1.可以提高检测精度；

2.可以获得上下文的信息，提高特征图的分辨率

具体操作：两个尺度不一的特征图分别通过普通卷积和反卷积进行特征融合。

1.普通卷积：conv(3x3),BN,ReLU,conv(3x3),BN

2.反卷积：deconv(2x2),conv(3x3),BN

3.拼接：元素求积，BN。

四、预测模块（其实是由残差模块组成）

1.卷积：conv(1x1),conv(1x1),conv(1x1)

2.shortcut：conv(1x1)

3.拼接：元素求和

五、LOC,CLS

经过主干网络以及反卷积操作后，得到6个尺度不一的特征图，尺度分别为[40,20,10,5,3,1]；将所获得的特征图经过预测模块，分为预测cls与loc两个分支，将其分别进行3x3卷积，得到预测的最终输出。

六、关于锚框生成问题，代码没怎么看明白，所以弄不清楚与原SSD的锚框设置是否相同

七、损失函数。

求解损失函数前，得先弄清楚锚框。

首先选择正样本，根据iou值以及匹配原则，筛选出正样本；对于不满足条件的均设为负样本。

但是，如果不对所得的负样本进行筛选的话，会出现正负样本比例不均衡的问题。

所以采用HNM策略，将正负样本的比例控制在1：3左右。

然后，再根据论文中所给的损失函数公式进行计算，得到loc损失，cls损失。

八、NMS

这一步是对检测结果进行进一步的精确。

代码已跑成功，精度77.08（论文77.6）

安排一张图