SSD算法
SSD(Single Shot MultiBox Detector)是one-stage目标检测方法，one-stage算法就是目标检测和分类是同时完成的，其主要思路是利用CNN提取特征后，均匀地在图片的不同位置进行密集抽样，抽样时可以采用不同尺度和长宽比，物体分类与预测框的回归同时进行，整个过程只需要一步，所以其优势是速度快。
SSD网络模型
输入图像shape为300x300x3(将图像输入网络之前会进行缩放)；
将图像输入到VGG16的backbone中，贯穿Conv5_3(即虚线前的网络结构)：
1、conv1，经过两次3x3卷积网络，输出的特征层为64，输出为(300,300,64)，再2X2最大池化，该最大池化步长为2，输出net为(150,150,64)。
2、conv2，经过两次3x3卷积网络，输出的特征层为128，输出net为(150,150,128)，再2X2最大池化，该最大池化步长为2，输出net为(75,75,128)。
3、conv3，经过三次3x3卷积网络，输出的特征层为256，输出net为(75,75,256)，再2X2最大池化，该最大池化步长为2，输出net为(38,38,256)。
4、conv4，经过三次3x3卷积网络，输出的特征层为512，输出net为(38,38,512)，再2X2最大池化，该最大池化步长为2，输出net为(19,19,512)。
5、conv5，经过三次3x3卷积网络，输出的特征层为512，输出net为(19,19,512)，再3X3最大池化，该最大池化步长为1，输出net为(19,19,512)。
利用卷积代替全连接层，进行了一次3x3卷积网络和一次1x1卷积网络，分别为fc6和fc7，输出的通道数为1024，因此输出的net为(19,19,1024);
通过在backbone后添加一系列的卷积层得到其他的预测特征层：
Conv8，经过一次1x1卷积网络，调整通道数，一次步长为2的3x3卷积网络，输出的通道数为512，因此输出的net为(10,10,512)。
Conv9，经过一次1x1卷积网络，调整通道数，一次步长为2的3x3卷积网络，输出的通道数为256，因此输出的net为(5,5,256)。
Conv10，经过一次1x1卷积网络，调整通道数，一次padding为valid的3x3卷积网络，输出的通道数为256，因此输出的net为(3,3,256)。
Conv11，经过一次1x1卷积网络，调整通道数，一次padding为valid的3x3卷积网络，输出的特征层为256，因此输出的net为(1,1,256)。
然后将：
conv4的第三次卷积的特征；
fc7卷积的特征；
conv6的第二次卷积的特征；
conv7的第二次卷积的特征；
conv8的第二次卷积的特征；
conv9的第二次卷积的特征。
作为预测特征层，进行不同大小的目标检测，要进行两个操作：
- 一次num_anchors x 4的卷积，用于预测该特征层上 每一个网格点上 每一个先验框的变化情况。
- 一次num_anchors x num_classes的卷积，用于预测该特征层上 每一个网格点上 每一个预测对应的种类。
先验框虽然可以代表一定的框的位置信息与框的大小信息，但是其是有限的，无法表示任意情况，因此还需要调整，ssd利用num_anchors x 4的卷积的结果对先验框进行调整。
num_anchors x 4中的num_anchors表示了这个网格点所包含的先验框数量，其中的4表示了x_offset、y_offset、h和w的调整情况。
x_offset与y_offset代表了真实框距离先验框中心的xy轴偏移情况。
h和w代表了真实框的宽与高相对于先验框的变化情况。
SSD解码过程可以分为两部分：
将每个网格的中心点加上它对应的x_offset和y_offset，加完后的结果就是预测框的中心；
利用h和w调整先验框获得预测框的宽和高。
最后对每一个预测框进行得分排序与非极大抑制筛选，获得最终的预测结果。
参考文献：
SSD算法理论
睿智的目标检测23——Pytorch搭建SSD目标检测平台
