YOLO 模型每個網格只預測一個物體，容易造成漏檢；對於物體的尺度相對比較敏感，對於尺度變化較大的物體泛化能力較差。

針對 YOLO 中的不足，提出的 SSD （Single Shot MultiBox Detector）方法同時兼顧了 mAP 和實時性的要求。對於輸入影象大小為 300*300 在 VOC2007 測試集上能夠達到 58 幀每秒( Titan X 的 GPU )，72.1% 的 mAP。輸入影象大小為 500 *500 , mAP 能夠達到 75.1%。

SSD的主要思路就是Faster R-CNN + YOLO，利用YOLO的思路 和 Faster R-CNN的anchor box的思想。

SSD的網路結構

採用 VGG16 的基礎網路結構，使用前面的前 5 層，然後利用 astrous 演算法將 fc6 和 fc7 層轉化成兩個卷積層。再增加了 3 個卷積層，和一個 pool層。不同層次的 feature map 分別用於 default box 的偏移以及不同類別得分的預測，最後通過 nms得到最終的檢測結果。

這些增加的卷積層的 feature map 的大小變化比較大，允許能夠檢測出不同尺度下的物體： 在低層的feature map,感受野比較小，高層的感受野比較大，在不同的feature map進行卷積，可以達到多尺度的目的。

觀察YOLO，後面存在兩個全連線層，全連線層以後，每一個輸出都會觀察到整幅影象，並不是很合理。

SSD去掉了全連線層，每一個輸出只會感受到目標周圍的資訊，包括上下文。這樣來做就增加了合理性。並且不同的feature map,預測不同寬高比的影象，這樣比YOLO增加了預測更多的比例的box。

多尺度feature map

多尺度feature map得到 default boxs及其 4個位置偏移和21個類別置信度

對於不同尺度feature map 的上的所有特徵點：

1、 按照不同的 scale 和 ratio 生成，k 個 default boxes，這種結構有點類似於 Faster R-CNN 中的 Anchor。

2、 新增加的每個卷積層的 feature map 都會通過一些小的卷積核操作，得到每一個 default boxes 關於物體類別的21個置信度 ( 20個類別和1個背景) 和4偏移 。

假如feature map 的size 為 m*n, 通道數為 p，使用的卷積核大小為 3*3*p。每個 feature map 上的每個特徵點對應 k 個 default boxes，物體的類別數為 c，那麼一個feature map就需要使用 k(c+4)個這樣的卷積濾波器，最後有 (m*n) *k* (c+4)個輸出。