SSD网络预测与训练阶段详解

一、预测阶段（Inference）

1. 特征提取

   • 输入图像通过卷积神经网络（如VGG-16）提取多尺度特征图。
   • 特征图尺寸逐层减小（例如：384×384 → 19×19），浅层保留高分辨率信息。

2. 默认框生成与偏移量预测

   • 每个特征图像素点生成预定义的默认框（Default Box），其尺寸和长宽比基于层级动态调整。
   • 使用3×3小卷积核预测类别概率和边界框偏移量（Δx, Δy, Δw, Δh）。

3. 解算真实边界框

   • 根据预测偏移量调整默认框：
     $$\text{预测框}=(x+\Delta x)\times (y+\Delta y)\times (w+\Delta w)\times (h+\Delta h)$$

4. 非极大值抑制（NMS）

   • 按置信度排序候选框，剔除重叠冗余框，输出最终检测结果。

二、训练阶段（Training）

1. 数据准备

   • 输入图像及其标注（边界框、类别标签）。
   • 数据增强：随机裁剪、水平翻转、颜色扰动。

2. 默认框匹配

   • 真实框与默认框按最高交并比（IoU > 0.5）匹配。
   • 允许多重正样本（提升小目标召回率）。

3. 前向传播

   • 特征提取 → 默认框位置预测（类别、偏移量）。

4. 损失函数计算

   • 分类损失（Softmax Loss） + 定位损失（Smooth L1 Loss）：
     KaTeX parse error: Invalid delimiter: 'L' after '\left' at position 36: …ac{1}{N} \left L̲_{\text{conf}}(…
   • $\alpha$通常设为0.1以平衡两类损失。

5. 反向传播与参数更新

   • 使用梯度下降算法（如Adam）优化网络参数。

6. 多尺度特征联合训练

   • 联合优化基础网络末端的多层特征（如VGG-16的第4~7层）。

三、核心阶段对比
阶段 目标 关键操作 技术要点

预测 实时输出检测结果 特征提取 → NMS筛选 多尺度特征融合、轻量级预测头
训练 优化网络参数（精度 & 鲁棒性） 数据增强 → 损失函数计算 → 参数更新 多重正样本采样、Smooth L1损失函数

四、为什么需要多尺度特征？

• 浅层特征图：高分辨率，检测小目标（如行人、人脸）。
• 深层特征图：低分辨率，检测大目标（如车辆、人体）。
• 联合训练：避免传统方法多次上采样的计算开销。