一、SSD的网络结构
网络由基础网络和附加层组成，基础网络就是常用的特征提取网络，如VGG16，附加层由一组大小逐层递减的卷积层组成。
以输入为300*300的SSD为例，用一组不同分辨率的feature map（4-3,6,7,8-2,9-2,10-2,11-2）预测结果，目标检测的结果包括位置和在某类上的概率。位置信息的输入输出基于如下图所示的结构：
在每一个feature map 的每一位置处（cell），产生一组不同长宽比的default box{1, 1/2，2，1/3，3}，作为初始位置，不同的feature map的box拥有不同的size[0.1(Conv4-3),0.9(Conv12-2)]。并且位置的预测输出是以default box的位置为参考的，box的坐标为(cx,cy,w,h)，则网络的输出是以box为参考的delta(cx,cy,w,h)，每个feature map共有(c+4）*k*m*n 个输出，（c为class的种类，k为每个位置处的box的个数，m*n是feature map 的大小），filter的种类为(c+4）*k。
对于输入的image坐标先是要归一化到[0，1]，如果是在训练过程中，要将标签[x1,x2,y1,y2]转换成[cx,cy,w,h]，cx,cy表示中心点。300*300的image会产生8732个不同的box（所有的feature map），训练过程中，根据与groundtruth的重合度筛选出正负样本，进行训练。测试过程产生box offset和基于位置的class score，通过对class score进行排序以及NMS筛选出最优结果。