目標(biāo)檢測(cè)算法之SSD

本文轉(zhuǎn)自|機(jī)器學(xué)習(xí)算法工程師

目標(biāo)檢測(cè)近年來(lái)已經(jīng)取得了很重要的進(jìn)展，主流的算法主要分為兩個(gè)類型：（1）two-stage方法，如R-CNN系算法，其主要思路是先通過(guò)啟發(fā)式方法（selective search）或者CNN網(wǎng)絡(luò)（RPN)產(chǎn)生一系列稀疏的候選框，然后對(duì)這些候選框進(jìn)行分類與回歸，two-stage方法的優(yōu)勢(shì)是準(zhǔn)確度高；（2）one-stage方法，如Yolo和SSD，其主要思路是均勻地在圖片的不同位置進(jìn)行密集抽樣，抽樣時(shí)可以采用不同尺度和長(zhǎng)寬比，然后利用CNN提取特征后直接進(jìn)行分類與回歸，整個(gè)過(guò)程只需要一步，所以其優(yōu)勢(shì)是速度快，但是均勻的密集采樣的一個(gè)重要缺點(diǎn)是訓(xùn)練比較困難，這主要是因?yàn)檎龢颖九c負(fù)樣本（背景）極其不均衡（參見(jiàn)Focal Loss，https://arxiv.org/abs/1708.02002），導(dǎo)致模型準(zhǔn)確度稍低。不同算法的性能如圖1所示，可以看到兩類方法在準(zhǔn)確度和速度上的差異。

圖1 不同檢測(cè)算法的性能對(duì)比

本文講解的是SSD算法，其英文全名是Single Shot MultiBox Detector，名字取得不錯(cuò)，Single shot指明了SSD算法屬于one-stage方法，MultiBox指明了SSD是多框預(yù)測(cè)。在上一篇文章中我們已經(jīng)講了Yolo算法，從圖1也可以看到，SSD算法在準(zhǔn)確度和速度（除了SSD512）上都比Yolo要好很多。圖2給出了不同算法的基本框架圖，對(duì)于Faster R-CNN，其先通過(guò)CNN得到候選框，然后再進(jìn)行分類與回歸，而Yolo與SSD可以一步到位完成檢測(cè)。相比Yolo，SSD采用CNN來(lái)直接進(jìn)行檢測(cè)，而不是

像Yolo那樣在全連接層之后做檢測(cè)。其實(shí)采用卷積直接做檢測(cè)只是SSD相比Yolo的其中一個(gè)不同點(diǎn)，另外還有兩個(gè)重要的改變，一是SSD提取了不同尺度的特征圖來(lái)做檢測(cè)，大尺度特征圖（較靠前的特征圖）可以用來(lái)檢測(cè)小物體，而小尺度特征圖（較靠后的特征圖）用來(lái)檢測(cè)大物體；二是SSD采用了不同尺度和長(zhǎng)寬比的先驗(yàn)框（Prior boxes, Default boxes，在Faster R-CNN中叫做錨，Anchors）。Yolo算法缺點(diǎn)是難以檢測(cè)小目標(biāo)，而且定位不準(zhǔn)，但是這幾點(diǎn)重要改進(jìn)使得SSD在一定程度上克服這些缺點(diǎn)。下面我們?cè)敿?xì)講解SDD算法的原理，并最后給出如何用TensorFlow實(shí)現(xiàn)SSD算法。

圖2 不同算法的基本框架圖

圖5 SSD網(wǎng)絡(luò)結(jié)構(gòu)

采用VGG16做基礎(chǔ)模型，首先VGG16是在ILSVRC CLS-LOC數(shù)據(jù)集預(yù)訓(xùn)練。然后借鑒了DeepLab-LargeFOV，鏈接https://export.arxiv.org/pdf/1606.00915，分別將VGG16的全連接層fc6和fc7轉(zhuǎn)換成3*3卷積層conv6和1*1卷積層conv7，同時(shí)將池化層pool5由原來(lái)的2*2-s2變成3*3-s1(猜想是不想reduce特征圖大小),為了配合這種變化，采用了一種Atrous Algorithm，其實(shí)就是conv6采用擴(kuò)展卷積或帶孔卷積（Dilation Conv，https://arxiv.org/abs/1511.07122），其在不增加參數(shù)與模型復(fù)雜度的條件下指數(shù)級(jí)擴(kuò)大卷積的視野，其使用擴(kuò)張率(dilation rate)參數(shù)，來(lái)表示擴(kuò)張的大小，如下圖6所示，(a)是普通的3*3卷積，其視野就是3*3,，(b)是擴(kuò)張率為2，此時(shí)視野變成7*7，(c)擴(kuò)張率為4時(shí)，視野擴(kuò)大為15*15，但是視野的特征更稀疏了。Conv6采用3*3大小但dilation rate=6的擴(kuò)展卷積。

圖6 擴(kuò)展卷積

然后移除dropout層和fc8層，并新增一系列卷積層，在檢測(cè)數(shù)據(jù)集上做finetuing。

其中VGG16中的Conv4_3層將作為用于檢測(cè)的第一個(gè)特征圖。conv4_3層特征圖大小是38*38，但是該層比較靠前，其norm較大，所以在其后面增加了一個(gè)L2 Normalization層（參見(jiàn)ParseNet，https://arxiv.org/abs/1506.04579），以保證和后面的檢測(cè)層差異不是很大，這個(gè)和Batch Normalization層不太一樣，其僅僅是對(duì)每個(gè)像素點(diǎn)在channle維度做歸一化，而Batch Normalization層是在[batch_size, width, height]三個(gè)維度上做歸一化。歸一化后一般設(shè)置一個(gè)可訓(xùn)練的放縮變量gamma，使用TF可以這樣簡(jiǎn)單實(shí)現(xiàn)：

# l2norm (not bacth norm, spatial normalization)
def l2norm(x, scale, trainable=True, scope="L2Normalization"):
 ? ?n_channels = x.get_shape().as_list()[-1]
 ? ?l2_norm = tf.nn.l2_normalize(x, [3], epsilon=1e-12)
 ? ?with tf.variable_scope(scope):
 ? ? ? ?gamma = tf.get_variable("gamma", shape=[n_channels, ], dtype=tf.float32,
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?initializer=tf.constant_initializer(scale),
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?trainable=trainable)
 ? ? ? ?return l2_norm * gamma

從后面新增的卷積層中提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2作為檢測(cè)所用的特征圖，加上Conv4_3層，共提取了6個(gè)特征圖，其大小分別是(38,38),(19,19),(10,10),(5,5),(3,3,),(1,1),,但是不同特征圖設(shè)置的先驗(yàn)框數(shù)目不同（同一個(gè)特征圖上每個(gè)單元設(shè)置的先驗(yàn)框是相同的，這里的數(shù)目指的是一個(gè)單元的先驗(yàn)框數(shù)目）。先驗(yàn)框的設(shè)置，包括尺度（或者說(shuō)大小）和長(zhǎng)寬比兩個(gè)方面。對(duì)于先驗(yàn)框的尺度，其遵守一個(gè)線性遞增規(guī)則：隨著特征圖大小降低，先驗(yàn)框尺度線性增加：?

其中m指的特征圖個(gè)數(shù)，但卻是5，因?yàn)榈谝粚樱–onv4_3層）是單獨(dú)設(shè)置的，Sk示先驗(yàn)框大小相對(duì)于圖片的比例，而Smin和Smax表示比例的最小值與最大值，paper里面取0.2和0.9。對(duì)于第一個(gè)特征圖，其先驗(yàn)框的尺度比例一般設(shè)置為Smin/2=0.1,那么尺度為300*0.1=30。對(duì)于后面的特征圖，先驗(yàn)框尺度按照上面公式線性增加，但是先將尺度比例先擴(kuò)大100倍，此時(shí)增長(zhǎng)步長(zhǎng)為，這樣各個(gè)特征圖的Sk為20,37,54,71,88,將這些比例除以100，然后再乘以圖片大小，可以得到各個(gè)特征圖的尺度為60,111,162,213,264，這種計(jì)算方式是參考SSD的Caffe源碼。綜上，可以得到各個(gè)特征圖的先驗(yàn)框尺度30,60,111,162,213,264。對(duì)于長(zhǎng)寬比，一般選取，對(duì)于特定的長(zhǎng)寬比，按如下公式計(jì)算先驗(yàn)框的寬度與高度（后面的Sk均指的是先驗(yàn)框?qū)嶋H尺度，而不是尺度比例）：?

默認(rèn)情況下，每個(gè)特征圖會(huì)有一個(gè)且尺度為Sk的先驗(yàn)框，除此之外，還會(huì)設(shè)置一個(gè)尺度為且的先驗(yàn)框，這樣每個(gè)特征圖都設(shè)置了兩個(gè)長(zhǎng)寬比為1但大小不同的正方形先驗(yàn)框。注意最后一個(gè)特征圖需要參考一個(gè)虛擬來(lái)計(jì)算。因此，每個(gè)特征圖一共有6個(gè)先驗(yàn)框，但是在實(shí)現(xiàn)時(shí)，Conv4_3，Conv10_2和Conv11_2層僅使用4個(gè)先驗(yàn)框，它們不使用長(zhǎng)寬比為3，1/3的先驗(yàn)框。每個(gè)單元的先驗(yàn)框的中心點(diǎn)分布在各個(gè)單元的中心，即，其中為特征圖的大小。

得到了特征圖之后，需要對(duì)特征圖進(jìn)行卷積得到檢測(cè)結(jié)果，圖7給出了一個(gè)5*5大小的特征圖的檢測(cè)過(guò)程。其中Priorbox是得到先驗(yàn)框，前面已經(jīng)介紹了生成規(guī)則。檢測(cè)值包含兩個(gè)部分：類別置信度和邊界框位置，各采用一次3*3卷積來(lái)進(jìn)行完成。令為該特征圖所采用的先驗(yàn)框數(shù)目，那么類別置信度需要的卷積核數(shù)量為，而邊界框位置需要的卷積核數(shù)量為。由于每個(gè)先驗(yàn)框都會(huì)預(yù)測(cè)一個(gè)邊界框，所以SSD300一共可以預(yù)測(cè)

個(gè)邊界框，這是一個(gè)相當(dāng)龐大的數(shù)字，所以說(shuō)SSD本質(zhì)上是密集采樣。

圖7 基于卷積得到檢測(cè)結(jié)果

（1）先驗(yàn)框匹配?

在訓(xùn)練過(guò)程中，首先要確定訓(xùn)練圖片中的ground truth（真實(shí)目標(biāo)）與哪個(gè)先驗(yàn)框來(lái)進(jìn)行匹配，與之匹配的先驗(yàn)框所對(duì)應(yīng)的邊界框?qū)⒇?fù)責(zé)預(yù)測(cè)它。在Yolo中，ground truth的中心落在哪個(gè)單元格，該單元格中與其IOU最大的邊界框負(fù)責(zé)預(yù)測(cè)它。但是在SSD中卻完全不一樣，SSD的先驗(yàn)框與ground truth的匹配原則主要有兩點(diǎn)。首先，對(duì)于圖片中每個(gè)ground truth，找到與其IOU最大的先驗(yàn)框，該先驗(yàn)框與其匹配，這樣，可以保證每個(gè)ground truth一定與某個(gè)先驗(yàn)框匹配。通常稱與ground truth匹配的先驗(yàn)框?yàn)檎龢颖荆粗粢粋€(gè)先驗(yàn)框沒(méi)有與任何ground truth進(jìn)行匹配，那么該先驗(yàn)框只能與背景匹配，就是負(fù)樣本。一個(gè)圖片中g(shù)round truth是非常少的， 而先驗(yàn)框卻很多，如果僅按第一個(gè)原則匹配，很多先驗(yàn)框會(huì)是負(fù)樣本，正負(fù)樣本極其不平衡，所以需要第二個(gè)原則。第二個(gè)原則是：對(duì)于剩余的未匹配先驗(yàn)框，若某個(gè)ground truth的IOU大于某個(gè)閾值（一般是0.5），那么該先驗(yàn)框也與這個(gè)ground truth進(jìn)行匹配。這意味著某個(gè)ground truth可能與多個(gè)先驗(yàn)框匹配，這是可以的。但是反過(guò)來(lái)卻不可以，因?yàn)橐粋€(gè)先驗(yàn)框只能匹配一個(gè)ground truth，如果多個(gè)ground truth與某個(gè)先驗(yàn)框IOU大于閾值，那么先驗(yàn)框只與IOU最大的那個(gè)先驗(yàn)框進(jìn)行匹配。第二個(gè)原則一定在第一個(gè)原則之后進(jìn)行，仔細(xì)考慮一下這種情況，如果某個(gè)ground truth所對(duì)應(yīng)最大IOU小于閾值，并且所匹配的先驗(yàn)框卻與另外一個(gè)ground truth的IOU大于閾值，那么該先驗(yàn)框應(yīng)該匹配誰(shuí)，答案應(yīng)該是前者，首先要確保某個(gè)ground truth一定有一個(gè)先驗(yàn)框與之匹配。但是，這種情況我覺(jué)得基本上是不存在的。由于先驗(yàn)框很多，某個(gè)ground truth的最大IOU肯定大于閾值，所以可能只實(shí)施第二個(gè)原則既可以了，這里的TensorFlow（https://github.com/xiaohu2015/SSD-Tensorflow/blob/master/nets/ssd_common.py）版本就是只實(shí)施了第二個(gè)原則，但是這里的Pytorch（https://github.com/amdegroot/ssd.pytorch/blob/master/layers/box_utils.py）兩個(gè)原則都實(shí)施了。圖8為一個(gè)匹配示意圖，其中綠色的GT是ground truth，紅色為先驗(yàn)框，F(xiàn)P表示負(fù)樣本，TP表示正樣本。

圖8 先驗(yàn)框匹配示意圖

盡管一個(gè)ground truth可以與多個(gè)先驗(yàn)框匹配，但是ground truth相對(duì)先驗(yàn)框還是太少了，所以負(fù)樣本相對(duì)正樣本會(huì)很多。為了保證正負(fù)樣本盡量平衡，SSD采用了hard negative mining，就是對(duì)負(fù)樣本進(jìn)行抽樣，抽樣時(shí)按照置信度誤差（預(yù)測(cè)背景的置信度越小，誤差越大）進(jìn)行降序排列，選取誤差的較大的top-k作為訓(xùn)練的負(fù)樣本，以保證正負(fù)樣本比例接近1:3。

（2）損失函數(shù)?

訓(xùn)練樣本確定了，然后就是損失函數(shù)了。損失函數(shù)定義為位置誤差（locatization loss， loc）與置信度誤差（confidence loss, conf）的加權(quán)和：?

其中N是先驗(yàn)框的正樣本數(shù)量。這里為一個(gè)指示參數(shù)，當(dāng)時(shí)表示第i個(gè)先驗(yàn)框與第j個(gè)ground truth匹配，并且ground truth的類別為p。c為類別置信度預(yù)測(cè)值。l為先驗(yàn)框的所對(duì)應(yīng)邊界框的位置預(yù)測(cè)值，而g

是ground truth的位置參數(shù)。對(duì)于位置誤差，其采用Smooth L1 loss，定義如下：

由于的存在，所以位置誤差僅針對(duì)正樣本進(jìn)行計(jì)算。值得注意的是，要先對(duì)ground truth的g進(jìn)行編碼得到，因?yàn)轭A(yù)測(cè)值l也是編碼值，若設(shè)置variance_encoded_in_target=True，編碼時(shí)要加上variance：?

對(duì)于置信度誤差，其采用softmax loss:?

權(quán)重系數(shù)a通過(guò)交叉驗(yàn)證設(shè)置為1。

（3）數(shù)據(jù)擴(kuò)增?

采用數(shù)據(jù)擴(kuò)增（Data Augmentation）可以提升SSD的性能，主要采用的技術(shù)有水平翻轉(zhuǎn)（horizontal flip），隨機(jī)裁剪加顏色扭曲（random crop & color distortion），隨機(jī)采集塊域（Randomly sample a patch）（獲取小目標(biāo)訓(xùn)練樣本），如下圖所示：

圖9 數(shù)據(jù)擴(kuò)增方案

其它的訓(xùn)練細(xì)節(jié)如學(xué)習(xí)速率的選擇詳見(jiàn)論文，這里不再贅述。

表1 SSD在不同數(shù)據(jù)集上的性能

SSD與其它檢測(cè)算法的對(duì)比結(jié)果（在VOC2007數(shù)據(jù)集）如表2所示，基本可以看到，SSD與Faster R-CNN有同樣的準(zhǔn)確度，并且與Yolo具有同樣較快地檢測(cè)速度。

表2 SSD與其它檢測(cè)算法的對(duì)比結(jié)果（在VOC2007數(shù)據(jù)集）?

文章還對(duì)SSD的各個(gè)trick做了更為細(xì)致的分析，表3為不同的trick組合對(duì)SSD的性能影響，從表中可以得出如下結(jié)論：

• 數(shù)據(jù)擴(kuò)增技術(shù)很重要，對(duì)于mAP的提升很大；

• 使用不同長(zhǎng)寬比的先驗(yàn)框可以得到更好的結(jié)果；

表3 不同的trick組合對(duì)SSD的性能影響?

同樣的，采用多尺度的特征圖用于檢測(cè)也是至關(guān)重要的，這可以從表4中看出：

表4 多尺度特征圖對(duì)SSD的影響?

SSD在很多框架上都有了開(kāi)源的實(shí)現(xiàn)，這里基于balancap的TensorFlow版本（https://github.com/balancap/SSD-Tensorflow）來(lái)實(shí)現(xiàn)SSD的Inference過(guò)程。這里實(shí)現(xiàn)的是SSD300，與paper里面不同的是，這里采用。首先定義SSD的參數(shù)：

self.ssd_params = SSDParams(img_shape=(300, 300), ? # 輸入圖片大小
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?num_classes=21, ? ? # 類別數(shù)+背景
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?no_annotation_label=21,
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?feat_layers=["block4", "block7", "block8", "block9", "block10", "block11"], ? # 要進(jìn)行檢測(cè)的特征圖name
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)], ?# 特征圖大小
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?anchor_size_bounds=[0.15, 0.90], ?# 特征圖尺度范圍
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?anchor_sizes=[(21., 45.),
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(45., 99.),
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(99., 153.),
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(153., 207.),
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(207., 261.),
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?(261., 315.)], ?# 不同特征圖的先驗(yàn)框尺度（第一個(gè)值是s_k，第2個(gè)值是s_k+1）
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?anchor_ratios=[[2, .5],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [2, .5, 3, 1. / 3],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [2, .5, 3, 1. / 3],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [2, .5, 3, 1. / 3],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [2, .5],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? [2, .5]], # 特征圖先驗(yàn)框所采用的長(zhǎng)寬比（每個(gè)特征圖都有2個(gè)正方形先驗(yàn)框）
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?anchor_steps=[8, 16, 32, 64, 100, 300], ?# 特征圖的單元大小
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?anchor_offset=0.5, ? ? ? ? ? ? ? ? ? ? ? # 偏移值，確定先驗(yàn)框中心
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?normalizations=[20, -1, -1, -1, -1, -1], ?# l2 norm
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?prior_scaling=[0.1, 0.1, 0.2, 0.2] ? ? ? # variance
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?)

然后構(gòu)建整個(gè)網(wǎng)絡(luò)，注意對(duì)于stride=2的conv不要使用TF自帶的padding="same"，而是手動(dòng)pad，這是為了與Caffe一致：

def _built_net(self):
 ? ?"""Construct the SSD net"""
 ? ?self.end_points = {} ?# record the detection layers output
 ? ?self._images = tf.placeholder(tf.float32, shape=[None, self.ssd_params.img_shape[0],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?self.ssd_params.img_shape[1], 3])
 ? ?with tf.variable_scope("ssd_300_vgg"):
 ? ? ? ?# original vgg layers
 ? ? ? ?# block 1
 ? ? ? ?net = conv2d(self._images, 64, 3, scope="conv1_1")
 ? ? ? ?net = conv2d(net, 64, 3, scope="conv1_2")
 ? ? ? ?self.end_points["block1"] = net
 ? ? ? ?net = max_pool2d(net, 2, scope="pool1")
 ? ? ? ?# block 2
 ? ? ? ?net = conv2d(net, 128, 3, scope="conv2_1")
 ? ? ? ?net = conv2d(net, 128, 3, scope="conv2_2")
 ? ? ? ?self.end_points["block2"] = net
 ? ? ? ?net = max_pool2d(net, 2, scope="pool2")
 ? ? ? ?# block 3
 ? ? ? ?net = conv2d(net, 256, 3, scope="conv3_1")
 ? ? ? ?net = conv2d(net, 256, 3, scope="conv3_2")
 ? ? ? ?net = conv2d(net, 256, 3, scope="conv3_3")
 ? ? ? ?self.end_points["block3"] = net
 ? ? ? ?net = max_pool2d(net, 2, scope="pool3")
 ? ? ? ?# block 4
 ? ? ? ?net = conv2d(net, 512, 3, scope="conv4_1")
 ? ? ? ?net = conv2d(net, 512, 3, scope="conv4_2")
 ? ? ? ?net = conv2d(net, 512, 3, scope="conv4_3")
 ? ? ? ?self.end_points["block4"] = net
 ? ? ? ?net = max_pool2d(net, 2, scope="pool4")
 ? ? ? ?# block 5
 ? ? ? ?net = conv2d(net, 512, 3, scope="conv5_1")
 ? ? ? ?net = conv2d(net, 512, 3, scope="conv5_2")
 ? ? ? ?net = conv2d(net, 512, 3, scope="conv5_3")
 ? ? ? ?self.end_points["block5"] = net
 ? ? ? ?print(net)
 ? ? ? ?net = max_pool2d(net, 3, stride=1, scope="pool5")
 ? ? ? ?print(net)

 ? ? ? ?# additional SSD layers
 ? ? ? ?# block 6: use dilate conv
 ? ? ? ?net = conv2d(net, 1024, 3, dilation_rate=6, scope="conv6")
 ? ? ? ?self.end_points["block6"] = net
 ? ? ? ?#net = dropout(net, is_training=self.is_training)
 ? ? ? ?# block 7
 ? ? ? ?net = conv2d(net, 1024, 1, scope="conv7")
 ? ? ? ?self.end_points["block7"] = net
 ? ? ? ?# block 8
 ? ? ? ?net = conv2d(net, 256, 1, scope="conv8_1x1")
 ? ? ? ?net = conv2d(pad2d(net, 1), 512, 3, stride=2, scope="conv8_3x3",
 ? ? ? ? ? ? ? ? ? ? padding="valid")
 ? ? ? ?self.end_points["block8"] = net
 ? ? ? ?# block 9
 ? ? ? ?net = conv2d(net, 128, 1, scope="conv9_1x1")
 ? ? ? ?net = conv2d(pad2d(net, 1), 256, 3, stride=2, scope="conv9_3x3",
 ? ? ? ? ? ? ? ? ? ? padding="valid")
 ? ? ? ?self.end_points["block9"] = net
 ? ? ? ?# block 10
 ? ? ? ?net = conv2d(net, 128, 1, scope="conv10_1x1")
 ? ? ? ?net = conv2d(net, 256, 3, scope="conv10_3x3", padding="valid")
 ? ? ? ?self.end_points["block10"] = net
 ? ? ? ?# block 11
 ? ? ? ?net = conv2d(net, 128, 1, scope="conv11_1x1")
 ? ? ? ?net = conv2d(net, 256, 3, scope="conv11_3x3", padding="valid")
 ? ? ? ?self.end_points["block11"] = net

 ? ? ? ?# class and location predictions
 ? ? ? ?predictions = []
 ? ? ? ?logits = []
 ? ? ? ?locations = []
 ? ? ? ?for i, layer in enumerate(self.ssd_params.feat_layers):
 ? ? ? ? ? ?cls, loc = ssd_multibox_layer(self.end_points[layer], self.ssd_params.num_classes,
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?self.ssd_params.anchor_sizes[i],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?self.ssd_params.anchor_ratios[i],
 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?self.ssd_params.normalizations[i], scope=layer+"_box")
 ? ? ? ? ? ?predictions.append(tf.nn.softmax(cls))
 ? ? ? ? ? ?logits.append(cls)
 ? ? ? ? ? ?locations.append(loc)
 ? ? ? ?return predictions, logits, locations

對(duì)于特征圖的檢測(cè)，這里單獨(dú)定義了一個(gè)組合層ssd_multibox_layer，其主要是對(duì)特征圖進(jìn)行兩次卷積，分別得到類別置信度與邊界框位置：

# multibox layer: get class and location predicitions from detection layer
def ssd_multibox_layer(x, num_classes, sizes, ratios, normalization=-1, scope="multibox"):
 ? ?pre_shape = x.get_shape().as_list()[1:-1]
 ? ?pre_shape = [-1] + pre_shape
 ? ?with tf.variable_scope(scope):
 ? ? ? ?# l2 norm
 ? ? ? ?if normalization > 0:
 ? ? ? ? ? ?x = l2norm(x, normalization)
 ? ? ? ? ? ?print(x)
 ? ? ? ?# numbers of anchors
 ? ? ? ?n_anchors = len(sizes) + len(ratios)
 ? ? ? ?# location predictions
 ? ? ? ?loc_pred = conv2d(x, n_anchors*4, 3, activation=None, scope="conv_loc")
 ? ? ? ?loc_pred = tf.reshape(loc_pred, pre_shape + [n_anchors, 4])
 ? ? ? ?# class prediction
 ? ? ? ?cls_pred = conv2d(x, n_anchors*num_classes, 3, activation=None, scope="conv_cls")
 ? ? ? ?cls_pred = tf.reshape(cls_pred, pre_shape + [n_anchors, num_classes])
 ? ? ? ?return cls_pred, loc_pred