SSD特点
- 从YOLO中继承了将detection转化为regression的思路，一次完成目标定位与分类
- 基于Faster RCNN中的Anchor，提出了相似的Prior box
- 加入基于特征金字塔（Pyramidal FeatureHierarchy）的检测方式，即在不同感受野的feature map上预测目标。
SSD结构简述
主网络结构是VGG16，将最后两个全连接层改成卷积层，并随后增加了4个卷积层来构造网络结构。对其中5种不同的卷积层的输出（feature map）分别用两个不同的 3×3的卷积核进行卷积，一个输出分类用的confidence，每个default box 生成21个类别confidence；一个输出回归用的 localization，每个 default box生成4个坐标值（x, y, w, h）。
Multi-scale feature maps for detection(多尺度特征映射)
SSD（右图）在base network之后加入多个卷积层，获得不同尺度的feature map, 这些层的大小逐渐减小，可以进行多尺度预测。
Convolutional predictors for detection
对于一个大小为mn、p通道的特征层，使用33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。
Default boxes and aspect ratio
SSD在不同的特征层的feature map上的每个feature map cell生成K个default boxes。
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mn的特征图上将产生(C+4)km*n个预测值。
Choosing scales and aspect ratios for default boxes（default boxes 生成规则）
以feature map上每个点的中点为中心（offset=0.5）生成一系列同心的Defult box（然后中心点的坐标会乘以step，相当于从feature map位置映射回原图位置）。
对于每个feature map，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：
可以看出这种default box在不同的feature层有不同的scale，在同一个feature层又有不同的aspect ratio，因此基本上可以覆盖输入图像中的各种形状和大小的object。
Matching strategy
在训练过程中，需要从不同位置，不同大小，不同长宽比的一系列Default boxes中选出与Ground truth 拥有最佳jaccard overlap的boxes，在SSD中，当jaccard overlap大于某一阈值（0.5），则认为该box与ground truth匹配成功, 作为训练的正样本，如果匹配失败，则作为负样本。
Jaccard overlap
显然，负样本的数据要远远多于正样本，为了控制正负样本的数量满足一定比例（1:3），所以采用Hard negative mining对负样本进行选择。
Hard negative mining
先将每一个物体位置上对应 predictions（default boxes）是 negative 的 boxes 进行排序，按照 default boxes 的 confidence 的大小。 选择最高的几个，保证最后 negatives、positives 满足比例 。
Trainning objective
总的损失函数是localization loss (loc) 和 confidence loss (conf) 的加权和。
localization loss:
confidence loss:
