论文下载地址：https://arxiv.org/abs/1512.02325
论文代码：https://github.com/weiliu89/caffe/tree/ssd
SSD全称：Single Shot MultiBox Detector 是2016年ICCV的一篇论文。是目前为止主要的目标检测算法。
算法的主要优点：
1. 速度比Faster-Rcnn快，精度比YOLO高。（在兼顾速度的同时，精度也很高。在不同的测试集下面结果都很不错）。
2.为提高准确率在不同的特征图下面（不同的尺度下面）进行结果的预测特征金字塔预测方式。
3.采用了END-TO-END的训练方式，即使分辨率比较小的图片，分类结果也很准确。
SSD网络结构：
SSD 是基于一个前向传播 CNN 网络，产生一系列 固定大小（fixed-size） 的 bounding boxes，以及每一个 box 中包含物体实例的可能性，即 score。之后，进行一个 非极大值抑制（Non-maximum suppression） 得到最终的 predictions。SSD网络结构从图中可以看出来分为两部分 基础网络 + 金字塔网络。基础网络是VGG-16的前4层网络。金字塔网络是特征图逐渐变小的简单卷积网络由5部分构成。
1.Mult-scale feature map for detection
就是特征金字塔检测方式。从不同尺度的特征图下面来预测目标分类与位置。
2.Convolutional predictors for detection
在金字塔结构中每一部分都有3*3的卷积来进行预测，在某个位置上得到一个预测值，这个预测值可能是一个分类的得分，也可能是现对于默认框的的位置偏差。从图3可以看出来conv6-2，conv7-2，conv8-2，conv9-2，fc7，conv4-2。
3.Default boxes and aspect ratio
在特征图的每个位置预测K个box，每个box预测c个分类得分，和4个现对于默认框的位置偏移量。那么在m*n的特征图中就可以得到（c+4）*n*m个预测值。论文中的prior box 类似于Faster-Rcnn中的anchor。如下图4所示。
图2，SSD网络结构：
图3，金字塔结构：
SSD网络训练：
SSD 训练图像中的 groundtruth 需要赋予到那些固定输出的 boxes 上。SSD 输出的是事先定义好的，一系列固定大小的 bounding boxes。
1.Matching strategy：主要介绍的是如何将GT与默认框组成label。
在开始的时候，用 MultiBox 中的 best jaccard overlap 来匹配每一个 ground truth box 与 default box，这样就能保证每一个 groundtruth box 与唯一的一个 default box 对应起来。但是又不同于 MultiBox ，本文之后又将 default box 与任何的 groundtruth box 配对，只要两者之间的jaccard overlap 大于一个阈值，这里本文的阈值为 0.5。
2.Training objective：
总的目标损失函数（objective loss function）就由 localization loss（loc） 与 confidence loss（conf） 的加权求和：
其中：
-
NN 是与 ground truth box 相匹配的 default boxes 个数
-
localization loss（loc） 是 Fast R-CNN 中 Smooth L1 Loss，用在 predict box（ll） 与 ground truth box（gg） 参数（即中心坐标位置，width、height）中，回归 bounding boxes 的中心位置，以及 width、height
-
confidence loss（conf） 是 Softmax Loss，输入为每一类的置信度 cc
-
权重项 αα，设置为 1
3.Choosing scales and aspect ratios for default boxes：
大部分 CNN 网络在越深的层，feature map 的尺寸（size）会越来越小。这样做不仅仅是为了减少计算与内存的需求，还有个好处就是，最后提取的 feature map 就会有某种程度上的平移与尺度不变性。
4.Hard negative mining：
在生成一系列的 predictions 之后，会产生很多个符合 ground truth box 的 predictions boxes，但同时，不符合 ground truth boxes 也很多，而且这个 negative boxes，远多于 positive boxes。这会造成 negative boxes、positive boxes 之间的不均衡。训练时难以收敛。
因此，本文采取，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 的比例在 1:3。
本文通过实验发现，这样的比例可以更快的优化，训练也更稳定。
3.Data augmentation：
- 使用原始的图像
- 采样一个 patch，与物体之间最小的 jaccard overlap 为：，，， 与
- 随机的采样一个 patch
SSD存在的缺点：
1.需要手动设置参数prior box，无法通过训练得到，依赖经验。
2.存在着对小目标检测效果不好的现象。