目标检测算法，按算法结构可以分为one-stage和two-stage两类。two-stage经典算法主要是R-CNN族，以准确度见长，速度稍慢，一般不如one-stage。one-stage算法主要包括YOLO、SSD、CornerNet等，以速度快见长，准确度一般不如two-stage。按照是否使用anchor，可分为anchor-based、anchor-free、两者融合类。anchor-based类算法代表是fasterRCNN、SSD、YoloV2/V3等。anchor-free类算法代表是CornerNet、ExtremeNet、CenterNet、FCOS等。融合anchor-based和anchor-free分支的方法：FSAF、SFace、GA-RPN等。

整个网络由三大部分组成：VGG Backbone、Extra Layers、Multi-box Layers

 

 Backbone网络可以使用VGG、ResNet50、mobilenet等。SSD的核心思想是使用多个特征图进行目标位置的回归和类别的分类。Extra layer负责提取6个尺寸和深度的特征图，大小分别为 (38,38),(19,19),(10,10),(5,5),(3,3),(1,1)，每个特征图上设置的先验框数量不同,prior_box_num = [4,6,6,6,4,4]，共8732个anchor。

 先验框的设置，包括尺度（或者说大小）和长宽比两个方面。对于先验框的尺度，其遵守一个线性递增规则：随着特征图大小降低，先验框尺度线性增加： 

 

 

 

 编码过程，使用gt_box和bounding_box的归一化后的中心点表示的offset作为基准，与模型的输出做loss。

解码过程：模型的输出为bounding_box与真实值的offset。推理阶段，用offset与bounding_box，即可得到最终目标框

绿框为真实框：gt_box；蓝框为与gt_box匹配的先验框prior_box，称为bounding_box，它是整个回归过程的核心；红框为预测框，pred_box；在训练过程中，首先需要确定训练图片中的 gt_box与哪一个prior_box来进行匹配，匹配原则： 1、对于图片中的每个gt_box，找到与其IOU最大的prior_box，该先验框与其匹配，这样可以保证每个gt_box一定与某个prior_box匹配。 2、 对于剩余未匹配的prior_box，若与某个gt_box的IOU大于某个阈值(一般0.5)，那么该prior_box与这个gt_box匹配。 3、难例挖掘（Hard negative mining，选取负样本）：选取完正样本后，实际上剩下来的都是负样本，但由于负样本数目过多，因此需要挑选出Confidence_Loss排在前面的一批负样本，以保证负/正样本数为3:1

SSD的损失函数包括两部分的加权：位置损失函数和置信度损失函数 整个损失函数为：       N 是先验框的正样本数量；c 为类别置信度预测值; l 为先验框的所对应bounding box的位置预测值; g 为ground truth的位置参数；

位置损失函数如下：

 

 置信度损失函数：

 训练阶段

 

测试阶段，NMS应该在解码之后

 

 镜像

随机裁剪

 

 色彩转换

 

模型特点：

SSD提取了不同尺度的特征图来做检测，大尺度特征图可以用来检测小物体，而小特征图用来检测大物体； SSD采用了不同尺度和长宽比的先验框 SSD每一张训练图片由如下方法随机产生：原图片；截取一部分图片，保证截取框与物体框的最小IoU是0.1，03，0.5，0.7，或者0.9；随机截取一部分图片；随机截取图片的大小是[0.1，1]原图片大小，aspect ratio是0.5~2

2.  优点：     运行速度可以和YOLO媲美，检测精度可以和Faster RCNN媲美

3.  缺点： 需要人工设置prior box的min_size，max_size和aspect_ratio值。 网络中prior box的基础大小和形状不能直接通过学习获得，而是需要手工设置。而网络中每一层feature使用的prior box大小和形状恰好都不一样，导致调试过程非常依赖经验； 虽然采用了pyramdial feature hierarchy的思路，但是对小目标的recall依然一般，并没有达到碾压Faster RCNN的级别