from：https://blog.csdn.net/u013989576/article/details/73439202
问题引入：
目前，常见的目标检测算法，如Faster R-CNN，存在着速度慢的缺点。该论文提出的SSD方法，不仅提高了速度，而且提高了准确度。
SSD:
该论文的主要贡献：
1. 提出了SSD目标检测方法，在速度上，比之前最快的YOLO还要快，在检测精度上，可以和Faster RCNN相媲美
2. SSD的核心是在特征图上采用卷积核来预测一系列default bounding boxes的类别分数、偏移量
3. 为了提高检测准确率，在不同尺度的特征图上进行预测，此外，还得到具有不同aspect ratio的结果
4. 这些改进设计，实现了end-to-end训练，并且，即使图像的分辨率比较低，也能保证检测的精度
5. 在不同的数据集，如：PASCAL VOC、MS COCO、ILSVRC，对该方法的检测速度、检测精度进行了测试，并且与其他的方法进行了对比。
SSD模型结构：
刚开始的层使用图像分类模型中的层，称为base network，在此基础上，添加一些辅助结构：
1. Mult-scale feature map for detection
在base network后，添加一些卷积层，这些层的大小逐渐减小，可以进行多尺度预测
2. Convolutional predictors for detection
每一个新添加的层，可以使用一系列的卷积核进行预测。对于一个大小为m*n、p通道的特征层，使用3*3的卷积核进行预测，在某个位置上预测出一个值，该值可以是某一类别的得分，也可以是相对于default bounding boxes的偏移量，并且在图像的每个位置都将产生一个值，如图2所示。
3. Default boxes and aspect ratio
在特征图的每个位置预测K个box。对于每个box，预测C个类别得分，以及相对于default bounding box的4个偏移值，这样需要(C+4)*k个预测器，在m*n的特征图上将产生(C+4)*k*m*n个预测值。这里，default bounding box类似于FasterRCNN中anchors，如图1所示。
个人感觉SSD模型与Faster RCNN中的RPN很类似。SSD中的dafault bounding box类似于RPN中的anchor，但是，SSD在不同的特征层中考虑不同的尺度，RPN在一个特征层考虑不同的尺度。
SSD模型训练：
1. Matching strategy
将每个groundtruth box与具有最大jaccard overlap的defalult box进行匹配， 这样保证每个groundtruth都有对应的default box；并且，将每个defalut box与任意ground truth配对，只要两者的jaccard overlap大于某一阈值，本文取0.5，这样的话，一个groundtruth box可能对应多个default box。
jaccard overlap的计算:
2. Training objective
Let 
损失函数的计算类似于Fast RCNN中的损失函数，总的损失函数是localization loss (loc) 和 confidence loss (conf) 的加权和，如下:
confidence loss:
localization loss (loc) :
其中，（gcx, gcy, gw, gh）表示groundtruth box，（dcx, dcy, dw, dh）表示default box，（lcx, lcy, lw, lh）表示预测的box相对于default box的偏移量。
3. Choosing scales and aspect ratios for default boxes
为了处理不同尺度的物体，一些文章，如：Overfeat，处理不同大小的图像，然后将结果综合。实际上，采用同一个网络，不同层上的feature map，也能达到同样的效果。图像分割算法FCN表明，采用低层的特征图可以提高分割效果，因为低层保留的图像细节信息比较多。因此，该论文采用lower feature map、upper feature map进行预测。
一般来说，CNN的不同层有着不同的感受野。然而，在SSD结构中，default box不需要和每一层的感受野相对应，特定的特征图负责处理图像中特定尺度的物体。在每个特征图上，default box的尺度计算如下：
其中，smin = 0.2，smax = 0.9
default box的aspect ratios 有：{1， 2， 3，1/2，1/3}，对于 aspect ratio = 1，额外增加一个default box，该box的尺度为
每一个default box，宽度、高度、中心点计算如下：
4. Hard negative mining
经过matching后，很多default box是负样本，这将导致正样本、负样本不均衡，训练难以收敛。因此，该论文将负样本根据置信度进行排序，选取最高的那几个，并且保证负样本、正样本的比例为3：1。
5. Data augmentation
为了使得模型对目标的尺度、大小更加鲁棒，该论文对训练图像做了data augmentation。每一张训练图像，由以下方法随机产生：
1）使用原始图像
2）采样一个path，与目标的最小jaccard overlap为0.1、0.3、0.5、0.7、0.9 （这个具体怎么做呢？？？）
3）随机采样一个path
采样得到的path，其大小为原始图像的[0.1, 1]，aspect ratio在1/2与2之间。当groundtruth box的中心在采样的path中时，保留重叠部分。经过上述采样之后，将每个采样的pathresize到固定大小，并以0.5的概率对其水平翻转。
参考博客：http://blog.csdn.net/smf0504/article/details/52745070