論文下載下傳位址：https://arxiv.org/abs/1512.02325
論文代碼：https://github.com/weiliu89/caffe/tree/ssd
SSD全稱：Single Shot MultiBox Detector 是2016年ICCV的一篇論文。是目前為止主要的目标檢測算法。
算法的主要優點：
1. 速度比Faster-Rcnn快，精度比YOLO高。（在兼顧速度的同時，精度也很高。在不同的測試集下面結果都很不錯）。
2.為提高準确率在不同的特征圖下面（不同的尺度下面）進行結果的預測特征金字塔預測方式。
3.采用了END-TO-END的訓練方式，即使分辨率比較小的圖檔，分類結果也很準确。
SSD網絡結構：
SSD 是基于一個前向傳播 CNN 網絡，産生一系列 固定大小（fixed-size） 的 bounding boxes，以及每一個 box 中包含物體執行個體的可能性，即 score。之後，進行一個 非極大值抑制（Non-maximum suppression） 得到最終的 predictions。SSD網絡結構從圖中可以看出來分為兩部分 基礎網絡 + 金字塔網絡。基礎網絡是VGG-16的前4層網絡。金字塔網絡是特征圖逐漸變小的簡單磁碟區積網絡由5部分構成。
1.Mult-scale feature map for detection
就是特征金字塔檢測方式。從不同尺度的特征圖下面來預測目标分類與位置。
2.Convolutional predictors for detection
在金字塔結構中每一部分都有3*3的卷積來進行預測，在某個位置上得到一個預測值，這個預測值可能是一個分類的得分，也可能是現對于預設框的的位置偏差。從圖3可以看出來conv6-2，conv7-2，conv8-2，conv9-2，fc7，conv4-2。
3.Default boxes and aspect ratio
在特征圖的每個位置預測K個box，每個box預測c個分類得分，和4個現對于預設框的位置偏移量。那麼在m*n的特征圖中就可以得到（c+4）*n*m個預測值。論文中的prior box 類似于Faster-Rcnn中的anchor。如下圖4所示。
圖2，SSD網絡結構：
圖3，金字塔結構：
SSD網絡訓練：
SSD 訓練圖像中的 groundtruth 需要賦予到那些固定輸出的 boxes 上。SSD 輸出的是事先定義好的，一系列固定大小的 bounding boxes。
1.Matching strategy：主要介紹的是如何将GT與預設框組成label。
在開始的時候，用 MultiBox 中的 best jaccard overlap 來比對每一個 ground truth box 與 default box，這樣就能保證每一個 groundtruth box 與唯一的一個 default box 對應起來。但是又不同于 MultiBox ，本文之後又将 default box 與任何的 groundtruth box 配對，隻要兩者之間的jaccard overlap 大于一個門檻值，這裡本文的門檻值為 0.5。
2.Training objective：
總的目标損失函數（objective loss function）就由 localization loss（loc） 與 confidence loss（conf） 的權重求和：
其中：
- NN 是與 ground truth box 相比對的 default boxes 個數
- localization loss（loc） 是 Fast R-CNN 中 Smooth L1 Loss，用在 predict box（ll） 與 ground truth box（gg） 參數（即中心坐标位置，width、height）中，回歸 bounding boxes 的中心位置，以及 width、height
- confidence loss（conf） 是 Softmax Loss，輸入為每一類的置信度 cc
- 權重項 αα，設定為 1
3.Choosing scales and aspect ratios for default boxes：
大部分 CNN 網絡在越深的層，feature map 的尺寸（size）會越來越小。這樣做不僅僅是為了減少計算與記憶體的需求，還有個好處就是，最後提取的 feature map 就會有某種程度上的平移與尺度不變性。
4.Hard negative mining：
在生成一系列的 predictions 之後，會産生很多個符合 ground truth box 的 predictions boxes，但同時，不符合 ground truth boxes 也很多，而且這個 negative boxes，遠多于 positive boxes。這會造成 negative boxes、positive boxes 之間的不均衡。訓練時難以收斂。
是以，本文采取，先将每一個物體位置上對應 predictions（default boxes）是 negative 的 boxes 進行排序，按照 default boxes 的 confidence 的大小。 選擇最高的幾個，保證最後 negatives、positives 的比例在 1:3。
本文通過實驗發現，這樣的比例可以更快的優化，訓練也更穩定。
3.Data augmentation：
- 使用原始的圖像
- 采樣一個 patch，與物體之間最小的 jaccard overlap 為：，，， 與
- 随機的采樣一個 patch
SSD存在的缺點：
1.需要手動設定參數prior box，無法通過訓練得到，依賴經驗。
2.存在着對小目标檢測效果不好的現象。