SSD介绍：

        是作者Wei Liu在ECCV 2016上发表的论文提出的。对于输入尺寸300*300的SSD网络使用Nvidia Titan X在VOC 2007测试集上达到74.3%mAP以及59FPS（每秒可以检测59张图片）；对于输入512*512的SSD网络，达到了76.9%mAP，超越了当时最强的Faster RCNN（73.2%mAP）。达到真正的实时检测。

SSD网络结构：（可以达到在不同特征尺度上预测不同尺度的目标）

         1、会对输入的图像进行缩放，必须是300*300*3的RGB图像。

         2、接下来进入主干网络，采用的是VGG-16的Conv5_3(第5个卷积部分的第三层)及之前的部分结构，如图：详细了解深度学习图像处理之VGG网络模型_BIgHAo1的博客-CSDN博客。通过Conv4_3，得到第一个特征预测层，输出为38*38*512的特征矩阵。当通过该网络后，特征矩阵输出大小为19*19*512。

        3、接下来通过3*3*1024的卷积层，输出19*19*1024的特征矩阵（可以看成是VGG16的第一个全连接层）。

        4、接下来通过1*1*1024的卷积层，得到第二个特征预测层，输出19*19*1024的特征矩阵（可以看成是VGG16的第二个全连接层）。

        5、接下来通过1*1*256和3*3*512（这个卷积层的步距为2）的卷积层，得到第三个特征预测层，输出10*10*512的特征矩阵。

        6、接下来通过1*1*128和3*3*256（此步距为2）的卷积层，得到第四个特征预测层，输出为5*5*256的特征矩阵。

        7、接下来通过1*1*128和3*3*256的卷积层，得到第五个特征预测层，输出为3*3*256的特征矩阵。

        8、最后通过1*1*128和3*3*256的卷积层，得到第6个特征预测层，输出为1*1*256的特征矩阵。

        注意卷积层步距为2的padding则为1，步距为0的padding则为0。

        通过上述过程，则得到了SSD的6个特征层，可以在这6个预测层，分别预测不同大小的目标。比如在第一个特征预测层，会让它检测相对较小的目标（因为此时抽象程度较小，细节的信息保留更多），随着抽象程度加深，让后面的特征预测层去检测更大的目标。

SSD原论文示例：

 

        如图：图a是标注好的原图，图b和图c分别是8*8和4*4的特征矩阵。8*8的特征矩阵相比4*4的特征矩阵，抽象程度较低一些，所以它会保留更多的细节信息，就可以预测较小的目标。在图a猫的面积相对于狗的面积较小一些，所以就在8*8的feature map进行预测猫的目标边界框。很显然在图c中，4*4的Default Box（类似于Faster R-cnn的anchor box）可以很好的匹配GT box。

SSD中的Default Box的scale（尺度）以及aspect（比例）的设定：

        原论中scale的计算：  

         在很多实现的方法中，都没有采用该方法去计算，所以在这里直接给出每个预测特征层的目标尺度以及对应比例：

         为什么这里每个特征预测层会有两个scale？

因为在原论文当中，对于比例为1的情况，我们会额外增加一个default box。这个增加的default的scale的值为，其中sk指的是第一个scale值（如21），sk+1指的是第二个scale值（如45），其中sk+1对应着下一层的第一个scale值。

         接下来，将直接给出6个特征预测层的default boxs的尺寸比例，以及数量：

        

        如图：在第一个特征预测层，特征矩阵为38*38，其中default box的尺寸有两种：

1、scale大小为21，有三种比例：1:2,1:1,2:1

2、scale大小为,只有一种比例：1：1

        依次类推。注意：根据每个尺寸及比例的不同，在各个特征预测层输出的特征图中，每个位置生成的default box数量也不同，如图：特征层①⑤⑥会生成4个，特征层②③④会生成6个。

        所以，对于特征图层①，因为其特征图的大小为38*38以及每个位置会生成4个default box，所以在该特征层中，总计会生成38*38*4个defaul box。

        依次类推，总计8732个default box，与原论中一样。

对于Default Box的再次理解:

        上图给出预测特征图1以及预测特征图4，以及标注了预测特征层1和预测特征层4的scale以及aspect信息。并假设在feature map1的该点位置生成它的default boxs，

        通过映射信息，找到该点对应原图的坐标，然后以它为中心，去绘制default box。如上图，对于左边的4个default box，三个较小的是通过该scale和aspect绘制而来；外面较大的是通过该绘制而来。

Predictor（预测器）的实现：

        即如何在这6个预测特征矩阵层上进行预测？

        原论文：对于预测为m*n*p的特征矩阵，用3*3*p的卷积层，生成概率分数以及坐标偏移量（边界框回归参数）（实现方法类似于Faster R-CNN）。 

        那对于每一个特征预测层，要使用多少个卷积核呢？

        原论文：对于特征图上的每一个位置，都会生成 k个default box，对每一个default box分别计算c个类别分数以及4个坐标偏移量（边界框回归参数），所以就需要k*（c+4）个卷积核进行卷积处理。那么对于m*n的特征矩阵而言，就会生成m*n*k*（c+4）个输出值。

        解释上文：（c+4）*k=c*k+4*k

        

 每一个default box都会预测c个类别分数，这里的c个类别分数包括了背景类别（即会预测背景概率）。比如csk Voc测试集，所需预测的类别个数为20，所以它所对应的c为21,且第一个为背景的分数，后面依次为所预测目标的分数。

 四个参数分别为中心坐标，宽度以及高度的预测。（注意这里与Faster R-CNN有点不同，这里对每个default box都只生成4个参数，而Faster R-CNN，会对每一个anchor box 进行分类生成，即4*c个参数，c为类别个数）。

训练SSD模型时，正负样本的选取：

        

        原论文给出2个准则：1、对每一个ground truth box去匹配与它 iou值最大的default box，则也是正样本。   2、对于任意一个default box，只要它与任意一个ground truth box的iou值大于0.5，则是正样本。（与Faster R-CNN类似）

         选取策略：在上面剩下的所有负样本，计算它们的最大confidence loss（可以理解为越大，越不能被选取），选取值较小的作为负样本，数量为正样本的3倍。

损失的计算：

        （说明：以上各图并非原创）