SSD: Single Shot MultiBox Detector
SSD 的贡献是：
1， 比state-of-the-art single shot detector YOLO取得了更快和更准确的表现。
2， SSD的核心是使用convolutional filter在feature map的很多给定的Bounding boxes中得到category scores 和 box offsets。
3， 为了获得高的detection accuracy ， 在不同 scales 上的feature maps 进行预测。
网络结构：
SSD的关键特点有：
(1)， 使用 multi-scale feature maps 来detect，
(2)， Convolutional predictors ， 没有采用FC layer，这样可以适用于各种size的image，对于一个NxMxP的feature map， prediction detection 是 3x3xP的small kernel
(3)，利用filter作为classifier 和 regressor，来对feature map的每一个pixels所在的位置是否object并且判断bbox相对于ground true的offsets。此时，filter将classifier和regressor结合起来，所以产生了filter产生的vector的维度是 (c + 4) x K, 其中c是categories number， 4 是bbox相对于ground true的4个offsets，k值是不同aspect和scale的bbox的数量。
Training：
包含： default boxes集合和detection scale的选择，hard negative mining 和 data augmentation。Hard negative mining，因为出来的绝大多数的bbox都是negatives，为了使得categories balance，sort 之后取最高的confidence loss的bbox，其中限制 negative/positive 最大为3.
对于Matching，用jaccard overlap来衡量每一个candidate的bounding boxes。
其中training loss是：
Loss function 是localization 和 confidence 结合的加权和。
Aspect和scale的选取：
假设我们想要选择m个feature maps来做prediction，scale的计算可为：
其中 Smin是0.2，表示lowest layer的scale是0.2。Smax是0.9。
总结：
(1)， 用filter来做classification和regression是一个新的创新，这样就可以不引入fc，从而让image可以任意shape
(2)，用multi-scale进行detection，浅层的feature map对较小的object有保证。
(3)，多级的filter进行detection，有个疑问，不同scale的backpropagation对network的影响不同，浅层scale的backpropagation对前面的主干cnn影响较大，而后面scale的对前面的主干cnn的影响较小，是否会有影响？