目標檢測近年來已經取得了很重要的進展，主流的算法主要分為兩個類型：

（1）two-stage方法，如R-CNN系算法，其主要思路是先通過啟發式方法（selective search）或者CNN網絡（RPN)產生一系列稀疏的候選框，然后對這些候選框進行分類與回歸，two-stage方法的優勢是準確度高；
（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行密集抽樣，抽樣時可以采用不同尺度和長寬比，然后利用CNN提取特征后直接進行分類與回歸，整個過程只需要一步，所以其優勢是速度快，但是均勻的密集采樣的一個重要缺點是訓練比較困難，這主要是因為正樣本與負樣本（背景）極其不均衡（參見 Focal Loss），導致模型準確度稍低。不同算法的性能如圖1所示，可以看到兩類方法在準確度和速度上的差異。

圖1 不同檢測算法的性能對比

本文講解的是SSD算法，英文名Single Shot MultiBox Detector。Single shot指明了SSD算法屬于one-stage方法，MultiBox指明了SSD是多框預測。從圖1也可以看到，SSD算法在準確度和速度（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，對于Faster R-CNN，其先通過CNN得到候選框，然后再進行分類與回歸，而Yolo與SSD可以一步到位完成檢測。相比Yolo，SSD采用CNN來直接進行檢測，而不是像Yolo那樣在全連接層之后做檢測。其實采用卷積直接做檢測只是SSD相比Yolo的其中一個不同點，另外還有兩個重要的改變，一是SSD提取了不同尺度的特征圖來做檢測，大尺度特征圖（較靠前的特征圖）可以用來檢測小物體，而小尺度特征圖（較靠后的特征圖）用來檢測大物體；二是SSD采用了不同尺度和長寬比的先驗框（Prior boxes, Default boxes，在Faster R-CNN中叫做錨，Anchors）。Yolo算法缺點是難以檢測小目標，而且定位不準，但是這幾點重要改進使得SSD在一定程度上克服這些缺點。下面我們詳細講解SDD算法的原理，并最后給出如何用TensorFlow實現SSD算法。

圖2 不同算法的基本框架圖

設計理念

SSD 和 Yolo 一樣都是采用一個CNN網絡來進行檢測，但是卻采用了多尺度的特征圖，其基本架構如圖3所示。下面將SSD核心設計理念總結為以下三點：

圖3 SSD基本框架

(1)采用多尺度特征圖用于檢測

所謂多尺度大小不同的特征圖指，CNN網絡一般前面的特征圖比較大，后面會逐漸采用stride=2的卷積或者pool來降低特征圖大小，這正如圖3所示，一個比較大的特征圖和一個比較小的特征圖，它們都用來做檢測。這樣做的好處是比較大的特征圖來用來檢測相對較小的目標，而小的特征圖負責檢測大目標，如圖4所示，8x8的特征圖可以劃分更多的單元，但是其每個單元的先驗框尺度比較小。

圖4 不同尺度的特征圖

(2)采用卷積進行檢測

與Yolo最后采用全連接層不同，SSD 直接采用卷積對不同的特征圖來進行提取檢測結果。對于形狀為 $m?n?p$ 的特征圖，只需要采用 $3?3?p$ 的特征圖，這樣比較小的卷積核得到檢測值。

(3)設置先驗框

在Yolo中，每個單元預測多個邊界框，但是其都是相對這個單元本身（正方塊），但是真實目標的形狀是多變的，Yolo需要在訓練過程中自適應目標的形狀。而SSD借鑒了Faster R-CNN中anchor的理念，每個單元設置尺度或者長寬比不同的先驗框，預測的邊界框（bounding boxes）是以這些先驗框為基準的，在一定程度上減少訓練難度。一般情況下，每個單元會設置多個先驗框，其尺度和長寬比存在差異，如圖5所示，可以看到每個單元使用了4個不同的先驗框，圖片中貓和狗分別采用最適合它們形狀的先驗框來進行訓練，后面會詳細講解訓練過程中的先驗框匹配原則。

圖5 SSD的先驗框

SSD的檢測值也與Yolo不太一樣。對于每個單元的每個先驗框，其都輸出一套獨立的檢測值，對應一個邊界框，主要分為兩個部分。

第一部分是各個類別的置信度或者評分，值得注意的是SSD將背景也當做了一個特殊的類別，如果檢測目標共有C個類別，SSD其實需要預測C+1個置信度值，其中第一個置信度指的是不含目標或者屬于背景的評分。后面當我們說C個個類別置信度時，請記住里面包含背景那個特殊的類別，即真實的檢測類別只有C-1個。在預測過程中，置信度最高的那個類別就是邊界框所屬的類別，特別地，當第一個置信度值最高時，表示邊界框中并不包含目標。

第二部分就是邊界框的location，包含4個值（cx,cy,w,h），分別表示邊界框的中心坐標以及寬高。但是真實預測值其實只是邊界框(grand truth 框)相對于先驗框的轉換值(paper里面說是offset，但是覺得transformation更合適，參見 R-CNN論文）。先驗框位置用 $d=(d^{cx},d^{cy},d^w,d^h)$，表示，其對應邊界框用 $b=(b^{cx},b^{cy},b^w,b^h)$ 表示，那么邊界框的預測值l,其實是b相對于d的轉換值：

習慣上，我們稱上面這個過程為邊界框的編碼（encode），預測時，你需要反向這個過程，即進行解碼（decode），從預測值l中得到邊界框的真實位置b:

然而，在SSD的Caffe源碼（https://github.com/weiliu89/caffe/tree/ssd）實現中還有trick，那就是設置variance超參數來調整檢測值，通過bool參數variance_encoded_in_target來控制兩種模式，當其為True時，表示variance被包含在預測值中，就是上面那種情況。但是如果是Fasle（大部分采用這種方式，訓練更容易？），就需要手動設置超參數variance，用來對l的4個值進行放縮，此時邊界框需要這樣解碼：

綜上所述，對于一個大小 $m?n$ 的特征圖，共有mn個單元，每個單元設置的先驗框數目記為k,那么每個單元共需要（c+4）k個預測值，所有的單元共需要（c+4）kmn個預測值，由于SSD采用卷積做檢測，所以就需要（c+4）k個卷積核完成這個特征圖的檢測過程。

網絡結構

SSD采用VGG16作為基礎模型，然后在VGG16的基礎上新增了卷積層來獲得更多的特征圖以用于檢測。SSD的網絡結構如圖6所示。上面是SSD模型，下面是Yolo模型，可以明顯看到SSD利用了多尺度的特征圖做檢測。模型的輸入圖片大小是 $300?300$ （還可以是 $512?512$，其與前者網絡結構沒有差別，只是最后新增一個卷積層，本文不再討論）。

圖6 SSD網絡結構

SSD 采用VGG16做基礎模型，首先VGG16是在 ILSVRC CLS-LOC 數據集預訓練。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轉換成 $3?3$ 卷積層 conv6 和 $1?1$ 卷積層 conv7，同時將池化層 pool 5由原來的 $2?2?s2$ 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，其實就是conv6采用擴展卷積或帶孔卷積（Dilation Conv，https://arxiv.org/abs/1511.07122），其在不增加參數與模型復雜度的條件下指數級擴大卷積的視野，其使用擴張率(dilation rate)參數，來表示擴張的大小，如下圖6所示，(a)是普通的 $3?3$ 卷積，其視野就是 $3?3$，(b)是擴張率為2，此時視野變成 $7?7$，?擴張率為4時，視野擴大為 $15?15$，但是視野的特征更稀疏了。Conv6采用$3?3$ 大小但 dilation rate=6 的擴展卷積。然后移除dropout層和fc8層，并新增一系列卷積層，在檢測數據集上做finetuing。

圖7 擴展卷積(膨脹卷積)

其中VGG16中的Conv4_3層將作為用于檢測的第一個特征圖。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L2 Normalization層（參見ParseNet，https://arxiv.org/abs/1506.04579），以保證和后面的檢測層差異不是很大，這個和Batch Normalization層不太一樣，其僅僅是對每個像素點在channle維度做歸一化，而Batch Normalization層是在[batch_size, width, height]三個維度上做歸一化。歸一化后一般設置一個可訓練的放縮變量gamma，使用TF可以這樣簡單實現：

# 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作為檢測所用的特征圖，加上Conv4_3層，共提取了6個特征圖，其大小分別是(38,38),(19,19),(10,10),(5,5),(3,3,),(1,1), 但是不同特征圖設置的先驗框數目不同（同一個特征圖上每個單元設置的先驗框是相同的，這里的數目指的是一個單元的先驗框數目）。先驗框的設置，包括尺度（或者說大小）和長寬比兩個方面。對于先驗框的尺度，其遵守一個線性遞增規則：隨著特征圖大小降低，先驗框尺度線性增加：

其中m指的特征圖個數，但卻是5，因為第一層（Conv4_3層）是單獨設置的，$S_k$是先驗框大小相對于圖片的比例，而$S_{min}$和$S_{max}$表示比例的最小值與最大值，paper里面取0.2和0.9。對于第一個特征圖，其先驗框的尺度比例一般設置為$S_{min}/2=0.1$,那么尺度為300*0.1=30。對于后面的特征圖，先驗框尺度按照上面公式線性增加，但是先將尺度比例先擴大100倍，此時增長步長為

這樣各個特征圖的$S_k$為20,37,54,71,88,將這些比例除以100，然后再乘以圖片大小，可以得到各個特征圖的尺度為60,111,162,213,264，這種計算方式是參考SSD的Caffe源碼。綜上，可以得到各個特征圖的先驗框尺度30,60,111,162,213,264。對于長寬比，一般選取 ar∈{1,2,3,12,13}a_r \in\{1,2,3,\frac{1}{2},\frac{1}{3}\}ar?∈{1,2,3,21?,31?}，對于特定的長寬比，按如下公式計算先驗框的寬度與高度（后面的Sk均指的是先驗框實際尺度，而不是尺度比例）：

默認情況下，每個特征圖會有一個 $a_r=1$ 且尺度為 $S_k$ 的先驗框，除此之外，還會設置一個尺度為 $s_k^{\prime }=\sqrt{S_k{S}_{k+1}}$ 且 $a_r=1$ 的先驗框，這樣每個特征圖都設置了兩個長寬比為1但大小不同的正方形先驗框。注意最后一個特征圖需要參考一個虛擬 $S_{m+1}=300+105/100=315$來計算。因此，每個特征圖一共有6個先驗框{1,2,3,12,13,1′}\{1,2,3,\frac{1}{2},\frac{1}{3},{1}'\}{1,2,3,21?,31?,1′}，但是在實現時，Conv4_3，Conv10_2和Conv11_2層僅使用4個先驗框，它們不使用長寬比為3，1/3的先驗框。每個單元的先驗框的中心點分布在各個單元的中心，即

，其中 $|f_k|$為特征圖的大小。

得到了特征圖之后，需要對特征圖進行卷積得到檢測結果，圖7給出了一個5*5大小的特征圖的檢測過程。其中Priorbox是得到先驗框，前面已經介紹了生成規則。檢測值包含兩個部分：類別置信度和邊界框位置，各采用一次3*3卷積來進行完成。令 $n_k$為該特征圖所采用的先驗框數目，那么類別置信度需要的卷積核數量為$n_k?c$，而邊界框位置需要的卷積核數量為$n_k?4$。由于每個先驗框都會預測一個邊界框，所以SSD300一共可以預測

個邊界框，這是一個相當龐大的數字，所以說SSD本質上是密集采樣。

圖7 基于卷積得到檢測結果

訓練過程

（1）先驗框匹配

在訓練過程中，首先要確定訓練圖片中的ground truth（真實目標）與哪個先驗框來進行匹配，與之匹配的先驗框所對應的邊界框將負責預測它。在Yolo中，ground truth的中心落在哪個單元格，該單元格中與其IOU最大的邊界框負責預測它。但是在SSD中卻完全不一樣，SSD的先驗框與ground truth的匹配原則主要有兩點。

• 第一個原則：對于圖片中每個ground truth，找到與其IOU最大的先驗框，該先驗框與其匹配，這樣，可以保證每個ground truth一定與某個先驗框匹配。通常稱與ground truth匹配的先驗框為正樣本，反之，若一個先驗框沒有與任何ground truth進行匹配，那么該先驗框只能與背景匹配，就是負樣本。一個圖片中ground truth是非常少的， 而先驗框卻很多，如果僅按第一個原則匹配，很多先驗框會是負樣本，正負樣本極其不平衡，所以需要第二個原則。

• 第二個原則：對于剩余的未匹配先驗框，若某個ground truth的IOU大于某個閾值（一般是0.5），那么該先驗框也與這個ground truth進行匹配。這意味著某個ground truth可能與多個先驗框匹配，這是可以的。但是反過來卻不可以，因為一個先驗框只能匹配一個ground truth，如果多個ground truth與某個先驗框IOU大于閾值，那么先驗框只與IOU最大的那個先驗框進行匹配。第二個原則一定在第一個原則之后進行，仔細考慮一下這種情況，如果某個ground truth所對應最大IOU小于閾值，并且所匹配的先驗框卻與另外一個ground truth的IOU大于閾值，那么該先驗框應該匹配誰，答案應該是前者，首先要確保某個ground truth一定有一個先驗框與之匹配。但是，這種情況我覺得基本上是不存在的。由于先驗框很多，某個ground truth的最大IOU肯定大于閾值，所以可能只實施第二個原則就可以了，這里的TensorFlow（https://github.com/xiaohu2015/SSD-Tensorflow/blob/master/nets/ssd_common.py）版本就是只實施了第二個原則，但是這里的Pytorch（https://github.com/amdegroot/ssd.pytorch/blob/master/layers/box_utils.py）兩個原則都實施了。圖8為一個匹配示意圖，其中綠色的GT是ground truth，紅色為先驗框，FP表示負樣本，TP表示正樣本。
  

圖8 先驗框匹配示意圖

盡管一個ground truth可以與多個先驗框匹配，但是ground truth相對先驗框還是太少了，所以負樣本相對正樣本會很多。為了保證正負樣本盡量平衡，SSD采用了hard negative mining，就是對負樣本進行抽樣，抽樣時按照置信度誤差（預測背景的置信度越小，誤差越大）進行降序排列，選取誤差的較大的top-k作為訓練的負樣本，以保證正負樣本比例接近1:3。

（2）損失函數

訓練樣本確定了，然后就是損失函數了。損失函數定義為位置誤差（locatization loss， loc）與置信度誤差（confidence loss, conf）的加權和：

其中N是先驗框的正樣本數量。這里 xijp∈{1,0}x^p_{ij} \in \{1,0\}xijp?∈{1,0}為一個指示參數，$x_{ij}^p$
表示第i個先驗框與第j個ground truth匹配，并且ground truth的類別為p。c為類別置信度預測值。l為先驗框的所對應邊界框的位置預測值，而g是ground truth的位置參數。對于位置誤差，其采用Smooth L1 loss，定義如下：

由于的 $x_{ij}^p$存在，所以位置誤差僅針對正樣本進行計算。值得注意的是，要先對ground truth的g進行編碼得到 $\hat{g}$，因為預測值l也是編碼值，若設置variance_encoded_in_target=True，編碼時要加上variance：

對于置信度誤差，其采用softmax loss:

權重系數a通過交叉驗證設置為1。

（3）數據擴增

數據擴增（Data Augmentation）可以提升SSD的性能，主要采用的技術有水平翻轉（horizontal flip），隨機裁剪加顏色扭曲（random crop & color distortion），隨機采集塊域（Randomly sample a patch）（獲取小目標訓練樣本），如下圖所示：

圖9 數據擴增方案

其它的訓練細節如學習速率的選擇詳見論文，這里不再贅述。

預測過程

預測過程比較簡單，對于每個預測框，首先根據類別置信度確定其類別（置信度最大者）與置信度值，并過濾掉屬于背景的預測框。然后根據置信度閾值（如0.5）過濾掉閾值較低的預測框。對于留下的預測框進行解碼，根據先驗框得到其真實的位置參數（解碼后一般還需要做clip，防止預測框位置超出圖片）。解碼之后，一般需要根據置信度進行降序排列，然后僅保留top-k（如400）個預測框。最后就是進行NMS算法，過濾掉那些重疊度較大的預測框。最后剩余的預測框就是檢測結果了。

性能評估

首先整體看一下SSD在VOC2007，VOC2012及COCO數據集上的性能，如表1所示。相比之下，SSD512的性能會更好一些。加*的表示使用了image expansion data augmentation（通過zoom out來創造小的訓練樣本）技巧來提升SSD在小目標上的檢測效果，所以性能會有所提升。

表1 SSD在不同數據集上的性能

SSD與其它檢測算法的對比結果（在VOC2007數據集）如表2所示，基本可以看到，SSD與Faster R-CNN有同樣的準確度，并且與Yolo具有同樣較快地檢測速度。

表2 SSD與其它檢測算法的對比結果（在VOC2007數據集）

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

• 數據擴增技術很重要，對于mAP的提升很大；
• 使用不同長寬比的先驗框可以得到更好的結果；
  

表3 不同的trick組合對SSD的性能影響

同樣的，采用多尺度的特征圖用于檢測也是至關重要的，這可以從表4中看出：

表4 多尺度特征圖對SSD的影響

TensorFlow上的實現

SSD在很多框架上都有了開源的實現，這里基于balancap的TensorFlow版本（https://github.com/balancap/SSD-Tensorflow）來實現SSD的Inference過程。這里實現的是SSD300，與paper里面不同的是，這里采用 $s_{min}=0.15,s_{max}=0.9$ 。首先定義SSD的參數：

self.ssd_params = SSDParams(img_shape=(300, 300),   # 輸入圖片大小num_classes=21,     # 類別數+背景no_annotation_label=21,feat_layers=["block4", "block7", "block8", "block9", "block10", "block11"],   # 要進行檢測的特征圖namefeat_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.)],  # 不同特征圖的先驗框尺度（第一個值是s_k，第2個值是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]], # 特征圖先驗框所采用的長寬比（每個特征圖都有2個正方形先驗框）anchor_steps=[8, 16, 32, 64, 100, 300],  # 特征圖的單元大小anchor_offset=0.5,                       # 偏移值，確定先驗框中心normalizations=[20, -1, -1, -1, -1, -1],  # l2 normprior_scaling=[0.1, 0.1, 0.2, 0.2]       # variance)

然后構建整個網絡，注意對于stride=2的conv不要使用TF自帶的padding=“same”，而是手動pad，這是為了與Caffe一致：

def _built_net(self):"""Construct the SSD net"""self.end_points = {}  # record the detection layers outputself._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 1net = conv2d(self._images, 64, 3, scope="conv1_1")net = conv2d(net, 64, 3, scope="conv1_2")self.end_points["block1"] = netnet = max_pool2d(net, 2, scope="pool1")# block 2net = conv2d(net, 128, 3, scope="conv2_1")net = conv2d(net, 128, 3, scope="conv2_2")self.end_points["block2"] = netnet = max_pool2d(net, 2, scope="pool2")# block 3net = 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"] = netnet = max_pool2d(net, 2, scope="pool3")# block 4net = 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"] = netnet = max_pool2d(net, 2, scope="pool4")# block 5net = 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"] = netprint(net)net = max_pool2d(net, 3, stride=1, scope="pool5")print(net)# additional SSD layers# block 6: use dilate convnet = conv2d(net, 1024, 3, dilation_rate=6, scope="conv6")self.end_points["block6"] = net#net = dropout(net, is_training=self.is_training)# block 7net = conv2d(net, 1024, 1, scope="conv7")self.end_points["block7"] = net# block 8net = 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 9net = 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 10net = conv2d(net, 128, 1, scope="conv10_1x1")net = conv2d(net, 256, 3, scope="conv10_3x3", padding="valid")self.end_points["block10"] = net# block 11net = 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 predictionspredictions = []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

對于特征圖的檢測，這里單獨定義了一個組合層ssd_multibox_layer，其主要是對特征圖進行兩次卷積，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_shapewith tf.variable_scope(scope):# l2 normif normalization > 0:x = l2norm(x, normalization)print(x)# numbers of anchorsn_anchors = len(sizes) + len(ratios)# location predictionsloc_pred = conv2d(x, n_anchors*4, 3, activation=None, scope="conv_loc")loc_pred = tf.reshape(loc_pred, pre_shape + [n_anchors, 4])# class predictioncls_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

對于先驗框，可以基于numpy生成，定義在ssd_anchors.py文件中，鏈接為https://github.com/xiaohu2015/DeepLearning_tutorials/blob/master/ObjectDetections/SSD/ssd_anchors.py。結合先驗框與檢測值，對邊界框進行過濾與解碼：

classes, scores, bboxes = self._bboxes_select(predictions, locations)

這里將得到過濾得到的邊界框，其中classes, scores, bboxes分別表示類別，置信度值以及邊界框位置。

基于訓練好的權重文件在這里下載https://pan.baidu.com/s/1snhuTsT，這里對SSD進行測試：

ssd_net = SSD()
classes, scores, bboxes = ssd_net.detections()
images = ssd_net.images()sess = tf.Session()
# Restore SSD model.
ckpt_filename = './ssd_checkpoints/ssd_vgg_300_weights.ckpt'
sess.run(tf.global_variables_initializer())
saver = tf.train.Saver()
saver.restore(sess, ckpt_filename)img = cv2.imread('./demo/dog.jpg')
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
img_prepocessed = preprocess_image(img)   # 預處理圖片，主要是歸一化和resize
rclasses, rscores, rbboxes = sess.run([classes, scores, bboxes],feed_dict={images: img_prepocessed})
rclasses, rscores, rbboxes = process_bboxes(rclasses, rscores, rbboxes)  # 處理預測框，包括clip,sort,nmsplt_bboxes(img, rclasses, rscores, rbboxes)  # 繪制檢測結果

詳細代碼在GitHub上了，鏈接為https://github.com/xiaohu2015/DeepLearning_tutorials/tree/master/ObjectDetections/SSD，然后看一下一個自然圖片的檢測效果：

如果你想實現SSD的train過程，你可以參考附錄里面的Caffe,TensorFlow以及Pytorch實現。

小結

SSD在Yolo的基礎上主要改進了三點：多尺度特征圖，利用卷積進行檢測，設置先驗框。這使得SSD在準確度上比Yolo更好，而且對于小目標檢測效果也相對好一點。由于很多實現細節都包含在源碼里面，文中有描述不準或者錯誤的地方在所難免，歡迎交流指正。

參考文獻

1. SSD: Single Shot MultiBox Detector
2. SSD Slide
3. SSD Caffe
4. SSD TensorFlow
5. SSD Pytorch
6. leonardoaraujosantos Artificial Inteligence online book