SSD類似YOLO，和YOLO同屬於目標檢測演算法中基於迴歸的演算法。

Abstract

作者提出了SSD模型，把輸出的bounding boxes看成一組不同尺度，不同大小的boxes。說白了，就是在不同尺度上的feature map上設定一系列不同大小的default boxes。實現了多尺度的檢測，這個思路有點類似於faster rcnn裡面的anchor boxes。不過anchor boxes實現多尺度的方法不是在不同的feature map上做迴歸，而是直接設定不同比例的boxes。SSD模型相比於rcnn系列模型，取消了region proposal的過程，即沒有畫素，特徵重取樣（對應於faster rcnn 的ROI Pooling）的過程，提升了執行速度，並且得益於多尺度的檢測，精度上並沒有損失，甚至在512x512大小的圖片上超過了faster rcnn。

Introduction

基於深度學習的目標檢測網路主要有兩大類，一類是以RCNN為代表的region proposals方法，該類方法速度較慢，最快的faster rcnn在GPU上也只有7FPS，另一類是以YOLO為代表的基於迴歸的演算法。YOLO雖然在速度上很快(45 FPS)，但是精度很低。作者本文就是解決了速度與精度的矛盾問題，提升了模型的速度，同時避免了精度的損失，SSD和YOLO同屬一類基於迴歸的演算法。

SSD

1.預測過程

• 圖片統一被縮放到固定大小(300x300)，然後送入base network(作者用的是VGG)，之後再通過多次卷積，每次卷積具有一定的stride，使得每次卷積後的特徵圖變小。這樣就得到了一系列不同尺度的特徵圖。然後在這些不同尺度的特徵圖直接回歸出目標的位置和類別資訊。
• 所謂“直接回歸出”：以上述結構中Conv7(FC7)特徵圖為例，該特徵圖大小為19x19x1024，此時，對於該19x19大小的特徵圖中，用(c+4) x k個濾波器去卷積，每個濾波器的大小應該為1024 x kernel_size x kernel_size（這裡作者的kernel_size = 3）。那麼卷積之後輸出的就是19 x 19 x (c+4) x k 的張量。(c + 4) x k表示對於19 x 19特徵圖中的每一個畫素都預測k個框，每個框有c+4個評分，c表示物體的屬於哪一個類別，4表示框相對於default box（寬，高，中心位置座標）的偏移量

2.訓練過程

• 首先需要對每一個ground truth匹配相應的default box，一個ground truth可以匹配多個default box。如果ground truth和default box的重疊率大於一個閾值，則匹配為正樣本，否則為負樣本。

• 目標函式：偏置偏差損失+類別置信度損失

  
  目標函式
  

  其實就是位置偏移量以及是目標的置信度兩項的和。具體計算公式參見論文，不贅述

• default boxes大小設定
  根據相應的特徵圖的尺度，設定不同大小的default box，具體計算公式參見論文。作者用了6個default box
• 其他trick
  Hard negative mining: 只有那些有最高訓練損失（training loss）的負面樣本（negative example）子集才會在每次訓練迭代中被使用。SSD 的「正負」比一直保持在 1:3。
  Data augmentation: 隨機裁剪

實驗結果

取得了速度上的提升，精度也還不錯。作者做的工作其實就是速度和精度的一個trade-off。主要創新之處在於：

• 多尺度的特徵圖上回歸出座標位置資訊，這是精度的保證
• 相比於YOLO，SSD利用卷積而不是全連線進行迴歸出位置資訊，這樣引數少了很多，這是速度的保證
• 利用default boxes進行粗定位，類似於anchor機制，相比於YOLO直接劃分cell進行迴歸一定程度上也可以保證其精度。