>>戳此處立即下載下傳電子書<< ，學習全套目标檢測算法&模型
SSD
SSD[4] 同時借鑒了YOLO 網格的思想和Faster R-CNN 的anchor 機制，使得SSD 可以快速進行預測的同時又可以相對準确地擷取目标的位置。
圖2-15 中的（b）和（c）分别代表不同的特征層，（c）相對（b）離最終預測結果較近，是以跨越同樣像素個數能檢測的目标就越大。按照圖2-15 所示，在特征層（b）的每個點上都将産生4 個不同大小的anchor（1:1 兩個，1:2 兩個），在特征層（c）上也是如此。是以，根據真實目标矩形框與每個anchor 的IOU 大小計算可知，（b）中有2 個anchor 為正樣本，（c）中1 個anchor 為正樣本。
圖2-15 SSD 特征層與anchor 示意圖[4]
對比之前學過的Faster R-CNN，接下來我們介紹SSD 的一些特點：
● 使用多尺度特征層進行檢測。
在 Faster Rcnn 的 RPN 中，anchor 是在主幹網絡的最後一個特征層上生成的，而在SSD 中，anchor 不僅僅在最後一個特征層上産生，在幾個高層特征層處同時也在産生anchor。如圖2-16 所示，SSD 在VGG16 的conv6 開始，在conv7、conv8、conv9、conv10 都産生anchor。這些特征層大小依次遞減，使得SSD 可以檢測不同尺度的目标。這裡簡單解釋下，比如同樣一個3×3 的anchor，它在conv6 看到的目标（感受野）就要遠小于conv10 看到的目标，可以了解為靠前的特征層用于檢測小目标，而靠後的特征層用來檢測大目标。與RPN 網絡（2.2.3 中介紹）産生anchor 的方法類似，SSD 也是在特征層的每個點上産生多個比例、多個尺度的n 個anchor。如圖2-15（b）是一個8×8 的特征層，每個小方格子是一個特征點，每個特征點上可以産生寬高比為1:1，1:2，1:3，大小多個尺度的anchor。
圖2-16 SSD 結構圖[4]
● SSD 中所有特征層産生的 anchor 都将經過正負樣本的篩選（在 2.2.3 介紹過如何使用IOU 進行anchor 的篩選）後直接進行分類分數以及bbox 位置的學習。
也就是說，特征層上生成的正負樣本直接進行最終的分類（ClassNum 個類别）以及bbox 的學習，不像Faster R-CNN 那樣先在第一步學是否有物體（隻有0/1 兩個類别）和bbox 位置，然後在第二步學最終的分類（ClassNum個類别）以及對bbox 位置的微調。
實際應用時我們往往不僅關注精度，很多情況下也要考慮速度，比如對視訊内容進行實時地檢測，這時候我們就希望有方法可以很好的做速度和精度的平衡。YOLO是第一個提出來效果很好的1-stage 檢測方法，SSD 借鑒了它的一些思想并在其基礎上做了改進，做到了比較好的平衡。