SSD: Single Shot MultiBox Detector
SSD 的貢獻是：
1， 比state-of-the-art single shot detector YOLO取得了更快和更准確的表現。
2， SSD的核心是使用convolutional filter在feature map的很多給定的Bounding boxes中得到category scores 和 box offsets。
3， 為了獲得高的detection accuracy ， 在不同 scales 上的feature maps 進行預測。
網絡結構：
SSD的關鍵特點有：
(1)， 使用 multi-scale feature maps 來detect，
(2)， Convolutional predictors ， 沒有采用FC layer，這樣可以適用於各種size的image，對於一個NxMxP的feature map， prediction detection 是 3x3xP的small kernel
(3)，利用filter作為classifier 和 regressor，來對feature map的每一個pixels所在的位置是否object並且判斷bbox相對於ground true的offsets。此時，filter將classifier和regressor結合起來，所以產生了filter產生的vector的維度是 (c + 4) x K, 其中c是categories number， 4 是bbox相對於ground true的4個offsets，k值是不同aspect和scale的bbox的數量。
Training：
包含： default boxes集合和detection scale的選擇，hard negative mining 和 data augmentation。Hard negative mining，因為出來的絕大多數的bbox都是negatives，為了使得categories balance，sort 之后取最高的confidence loss的bbox，其中限制 negative/positive 最大為3.
對於Matching，用jaccard overlap來衡量每一個candidate的bounding boxes。
其中training loss是：
Loss function 是localization 和 confidence 結合的加權和。
Aspect和scale的選取：
假設我們想要選擇m個feature maps來做prediction，scale的計算可為：
其中 Smin是0.2，表示lowest layer的scale是0.2。Smax是0.9。
總結：
(1)， 用filter來做classification和regression是一個新的創新，這樣就可以不引入fc，從而讓image可以任意shape
(2)，用multi-scale進行detection，淺層的feature map對較小的object有保證。
(3)，多級的filter進行detection，有個疑問，不同scale的backpropagation對network的影響不同，淺層scale的backpropagation對前面的主干cnn影響較大，而后面scale的對前面的主干cnn的影響較小，是否會有影響？