from：https://blog.csdn.net/u013989576/article/details/73439202
問題引入：
目前，常見的目標檢測算法，如Faster R-CNN，存在着速度慢的缺點。該論文提出的SSD方法，不僅提高了速度，而且提高了准確度。
SSD:
該論文的主要貢獻：
1. 提出了SSD目標檢測方法，在速度上，比之前最快的YOLO還要快，在檢測精度上，可以和Faster RCNN相媲美
2. SSD的核心是在特征圖上采用卷積核來預測一系列default bounding boxes的類別分數、偏移量
3. 為了提高檢測准確率，在不同尺度的特征圖上進行預測，此外，還得到具有不同aspect ratio的結果
4. 這些改進設計，實現了end-to-end訓練，並且，即使圖像的分辨率比較低，也能保證檢測的精度
5. 在不同的數據集，如：PASCAL VOC、MS COCO、ILSVRC，對該方法的檢測速度、檢測精度進行了測試，並且與其他的方法進行了對比。
SSD模型結構：
剛開始的層使用圖像分類模型中的層，稱為base network，在此基礎上，添加一些輔助結構：
1. Mult-scale feature map for detection
在base network后，添加一些卷積層，這些層的大小逐漸減小，可以進行多尺度預測
2. Convolutional predictors for detection
每一個新添加的層，可以使用一系列的卷積核進行預測。對於一個大小為m*n、p通道的特征層，使用3*3的卷積核進行預測，在某個位置上預測出一個值，該值可以是某一類別的得分，也可以是相對於default bounding boxes的偏移量，並且在圖像的每個位置都將產生一個值，如圖2所示。
3. Default boxes and aspect ratio
在特征圖的每個位置預測K個box。對於每個box，預測C個類別得分，以及相對於default bounding box的4個偏移值，這樣需要(C+4)*k個預測器，在m*n的特征圖上將產生(C+4)*k*m*n個預測值。這里，default bounding box類似於FasterRCNN中anchors，如圖1所示。
個人感覺SSD模型與Faster RCNN中的RPN很類似。SSD中的dafault bounding box類似於RPN中的anchor，但是，SSD在不同的特征層中考慮不同的尺度，RPN在一個特征層考慮不同的尺度。
SSD模型訓練：
1. Matching strategy
將每個groundtruth box與具有最大jaccard overlap的defalult box進行匹配， 這樣保證每個groundtruth都有對應的default box；並且，將每個defalut box與任意ground truth配對，只要兩者的jaccard overlap大於某一閾值，本文取0.5，這樣的話，一個groundtruth box可能對應多個default box。
jaccard overlap的計算:
2. Training objective
Let 
be an indicator for matching the i-th default box to the j-th ground truth box of category p 。
損失函數的計算類似於Fast RCNN中的損失函數，總的損失函數是localization loss (loc) 和 confidence loss (conf) 的加權和，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）表示預測的box相對於default box的偏移量。
3. Choosing scales and aspect ratios for default boxes
為了處理不同尺度的物體，一些文章，如：Overfeat，處理不同大小的圖像，然后將結果綜合。實際上，采用同一個網絡，不同層上的feature map，也能達到同樣的效果。圖像分割算法FCN表明，采用低層的特征圖可以提高分割效果，因為低層保留的圖像細節信息比較多。因此，該論文采用lower feature map、upper feature map進行預測。
一般來說，CNN的不同層有着不同的感受野。然而，在SSD結構中，default box不需要和每一層的感受野相對應，特定的特征圖負責處理圖像中特定尺度的物體。在每個特征圖上，default box的尺度計算如下：
其中，smin = 0.2，smax = 0.9
default box的aspect ratios 有：{1， 2， 3，1/2，1/3}，對於 aspect ratio = 1，額外增加一個default box，該box的尺度為
。
每一個default box，寬度、高度、中心點計算如下：
4. Hard negative mining
經過matching后，很多default box是負樣本，這將導致正樣本、負樣本不均衡，訓練難以收斂。因此，該論文將負樣本根據置信度進行排序，選取最高的那幾個，並且保證負樣本、正樣本的比例為3：1。
5. Data augmentation
為了使得模型對目標的尺度、大小更加魯棒，該論文對訓練圖像做了data augmentation。每一張訓練圖像，由以下方法隨機產生：
1）使用原始圖像
2）采樣一個path，與目標的最小jaccard overlap為0.1、0.3、0.5、0.7、0.9 （這個具體怎么做呢？？？）
3）隨機采樣一個path
采樣得到的path，其大小為原始圖像的[0.1, 1]，aspect ratio在1/2與2之間。當groundtruth box的中心在采樣的path中時，保留重疊部分。經過上述采樣之后，將每個采樣的pathresize到固定大小，並以0.5的概率對其水平翻轉。
參考博客：http://blog.csdn.net/smf0504/article/details/52745070