##简介

刘伟在2016年提出，发表在ECCV；是一种通过直接回归的方式去获取目标类别和位置的one-stage算法，不需要proposal；作用在卷积网络的输出特征图上进行预测，而且是不同尺度，因此能够保证检测的精度，图像的分辨率也比较低，属于端到端的训练；

input->CNN->Lreg,Lcls

CNN特征->区域分类，位置精修

##算法原理

输入是300x300，通过主干网络VGG-16（也可以是Resnet，MobileNet）得到feature map，然后通过下采样（Pooling层）得到6个不同尺度，38x38,19x19,10x10,5x5,3x3,1x1,将这6个不同尺度的feature map作为检测预测层的输入，最后用nms进行筛选和合并；
每一个feature map层都会进行default boundingbox的提取，针对每一个boundingbox都会有类别分数以及位置的偏移量，这里就有两个问题：

1.如何进行多个尺度的预测？（见下）

2.每个尺度上选择多少个bounding boxes？

答：通过ssd的相应的配置文件来进行配置，其实是通过相应层的name来进行配置，决定有多少个box，以及哪一层作为预测层的输入

###主干网络介绍

将VGG最后两个FC层（FC用来分类，映射每一类的概率）改成卷积层，并增加4个卷积层，增加了多次度预测，从而提升模型预测性能；

###多尺度feature map预测

（类似anchor机制）不同层的feature map(输入到相应的预测层)，大小为mxn，以每一个点（cell，找到他在原图中的位置）为center，每个cell生成固定scale和aspect ratio的k个prior box，通过和GT的比较得到prior box的label，再对每一个prior box预测他们的类别score和坐标offset（x,y,w,h），得到维度为(4+C)xkxmxn的输出；

两个超参数：scale和aspect ratio

关于Prior box Layer:

上面说了，类似于anchor机制，shape数量越多，预测效果越好；

针对6种不同尺度的feature map层，提取的prior box的总数量为：38x38x4 + 19x19x6 + 10x10x6 + 5x5x6 + 3x3x4 + 1x1x4 = 8732个

可以看到，这里每一个feature map cell并不是k个prior box都取，为什么呢，因为实际训练中，并不是每个prior box都去计算loss，那么具体怎么操作的呢？通过什么策略来进行筛选呢？接下来我们来看一下ssd的样本构造策略。

##样本构造
正样本：
从prio box集出发，寻找与GT box满足 IOU 大于0.5的最大prior box放入候选正样本集；
或者，从GT box出发，找到与之最为匹配的prior box放入候选正样本集；
负样本：
IOU小于0.5的作为负样本，而中间那些可以丢掉不考虑；一般正负样本比为1:3；
或者进行难例挖掘

注意：除了这种寻找正负样本的方法，还可以对正负样本做数据增强；
##损失函数
SSD的损失函数包含了两个部分：分类loss + 回归loss，其中前者一般用Softmax Loss，后者一般用Smooth L1 Loss，然后两者进行加权；

在训练过程中，我们只需要确保prior box的分类准确，并且让每一个prior box尽可能回归到GT box；

##SSD使用细节

1.注意分类和回归网络的权重分配；

2.注意正负样本之比；

3.难例挖掘默认只去64个最高预测损失来从中寻找负样本；

4.SSD输入尺寸越大，mAP越高，但是会导致检测速度的下降，因此要具体需求进行选择；

5.更多的feature map，更多的default box，都可以使得结果更好；