SSD MTCNN YOLO基本对比

SSD与MTCNN的区别

1）生成训练数据的方式不同 
MTCNN需要将训练样本事先生成好，同时生成label(分类label和回归label)，然后输入到网络中训练，而SSD直接输入原图，实际的训练数据由数据层和priorbox层共同完成，其中priorbox层用来确定每个样本的label,也就是说SSD将MTCNN的生成训练数据的部分融合到一个网络中，实现了真正意义上的端到端。

2）MTCNN和SSD实现了两种滑动窗口检测策略 
MTCNN：首先构建图像金字塔，然后使用固定大小的滑动窗口在金字塔每一级滑动，对每个滑动窗口分类回归。这个固定大小的滑动窗口的大小就是PNet的输入大小，滑动窗口操作由全卷积PNet实现。

 
SSD: 近似于在原图中设置了不同大小的滑动窗口，对不同大小的滑动窗口进行分类和回归。由于SSD可以看作是由6个不同的PNet组成，所以这些不同大小的滑动窗口其实对应了6种PNet。 
不管是MTCNN，还是SSD，本质上是对所有滑动窗口的分类。这与传统的目标检测方法本质上是一样的。

3）SSD使用3x3卷积核进行分类和回归，而MTCNN使用1x1卷积核进行分类和回归 
3x3的卷积核覆盖了该像素点的感受野以及它的领域，加入了局部信息，使得模型更加鲁棒。
-

一.  我们发现SSD比Faster rcnn默认框还多，更比yolo多的多，为什么省时间呢？

1）Faster-rcnn是一个双阶段网络，尽管Faster-rcnn的BB少很多，但是其需要大量的前向和反向推理（训练阶段），而且需要交替的训练两个网络

2）SSD其实相当于一个优化了的RPN网络，不需要进行后面的检测，且没有全连接层裁剪

3）YOLO网络中含有大量的全连接层

4）通过裁剪限制输入图片大小 ，从而限制计算量

二.YOLOv3 为什么速度比ssd快呢？

1）分类器不同，ssd采用了softmax分类器。而yolov3则使用了多logistic分类器分别针对每个类进行二分类，只用设置阈值，便可以大批量筛选。

2）yolov3的默认框选取采用了聚类的方式，聚类

3）在ssd预测时，每次预测的bbox都是在defalut bbox上基础上，预测出其偏移量。

       在刚开始训练时我们预测时，会十分不稳定，导致位置偏移量很大，出现越界现象（即超出图片范围），因此yolov3会在每个位置偏移后加入sigmoid函数激活（将其限定在0-1之间）（可以更有效进行多通道的融合）。

4) Darknet网络是个全卷积网络，大量采用残杀跳层。且网络中使用歩长为2 的卷积操作对网络进行降采样。

5）

三.分析 smooth 激活函数的意义

有函数可知，当坐标偏差过大时，斜率不再是正比增大，而是常数增长，可以有效减小 ，使得偏差大的坐标对训练影响小

YOLO ，SSD对目标检测的发展史：

yolov1：最后一层的输出特征图是固定7*7

缺点：最后一层的输出特征图是固定7*7

SSD：最后一层的检测是由之前多个尺度（Multi-Scale）的特征图共同生成的。

缺点：对于极小的目标识别，SSD就显得无能为力了

例如图中的风筝

FPN（特征金字塔网络）：从顶层（自上而下）的每一层都进行上采样获取更准确的像素位置信息（有些类似残差网络的跳层连接）

卷积操作缺点：像素错位（最上层特征图中，你早已分不清某个像素对应原图的哪些像素）

上采样还原特征图的方式很好地缓解了像素不准的问题（使得高层特征图的像素也有据可查）

缺点：计算量的增多（额外的上采样和跳层计算）

SNIPER：每个尺度大类下都维护一个重点关注区域（region）

实线框是ground truth的目标物体框，可见SNIPER试图把ground truth都圈围在重点关注区域的合适尺度下。此外，SNIPER还在重点关注区域中加入了重点排除区域，在许多背景中，许多目标是无须识别的

其中红色框就是重点排除区域，与FPN不同的是，SNIPER不再需要处理每一层特征图的像素进行上采样，计算量下降了不少，据说只比普通的类似yolo的one shot模型多处理30%的像素