【目标检测】YOLO和SSD的区别

这里的YOLO是指YOLO v1算法。

一、YOLO

主要思想（key idea）：

1. 将物体检测这个问题定义为bounding box和分类置信度的回归问题。

2. 将整张图像作为输入，划分成SxS grid（7×7网格），每个cell（格子）预测B个bounding box（x, y, w, h）及对应的分类置信度（class-specific confidence score）。分类置信度是bounding box是物体的概率及其与真实值IOU相乘的结果。

优点：

1. 速度快，YOLO模型可以达到45FPS。

2. YOLO使用图像的全局信息做预测，因而对背景的误识别率比Fast R-CNN低。

3. YOLO学习到的特征更加通用，在艺术品的检测上准确率高于DPM和R-CNN（YOLO泛化能力强）。

缺点：

1. 每个cell（格子）只能拥有一个label和两个bounding box，这个空间局限性，使得对小物体检测效果不好（尤其是密集的小物体）。

2. 对于物体长宽比的泛化能力较弱，当一类物体新的长宽比出现时，检测准确率减低。

3. 损失函数的设计，导致定位误差是影响检测效果的主要原因，在小的物体上，检测准确率较低。

二、SSD

主要思想（key idea）：

1. 将物体检测这个问题的解空间，抽象为一组预先设定好（尺度，长宽比）的bounding box。

2. 在每个bounding box，预测分类label，以及box offset来更好的框出物体。

3. 对一张图片，结合多个大小不同的feature map的预测结果，以期能够处理大小不同的物体。

优点：

1. 运行速度可以和YOLO媲美，检测精度可以和Faster R-CNN媲美。

缺点：

1. 需要人工设置prior box的min_size，max_size和aspect_ratio值。网络中prior box的基础大小和形状不能直接通过学习获得，而是需要手工设置。而网络中每一层feature使用的prior box大小和形状恰好都不一样，导致调试过程非常依赖经验。
2. 虽然采用了pyramdial feature hierarchy的思路，但是对小目标的recall依然一般，并没有达到碾压Faster R-CNN的级别。作者认为，这是由于SSD使用conv4_3低级feature去检测小目标，而低级特征卷积层数少，存在特征提取不充分的问题。

三、区别

1. YOLO在卷积层后接全连接层，即检测时只利用了最高层Feature maps（包括Faster
   RCNN也是如此）而SSD采用金字塔结构，即利用了conv4-3/fc7/conv6-2/conv7-2/conv8_2/conv9_2这些大小不同的feature maps，在多个feature maps上同时进行softmax分类和位置回归。
2. SSD加入了Prior box。

参考：

https://zhuanlan.zhihu.com/p/89200261

https://blog.csdn.net/qq_31511955/article/details/80597211