1. Introduction

SSD模型在保證精度的前提下，速度還特別快，可以做到real time。其中原因在於ssd消除了object proposal這個環節。Faster R-CNN是先利用RPN產生object proposal，然後對proposal進行分類和迴歸，所以速度沒有ssd快。

ssd進行檢測的方法是利用卷積後的多個不同尺度的feature map，每個feature map使用固定尺度(不同feature map使用的尺度不同)但不同aspect ratio的anchor。利用這些anchor來進行分類和迴歸，且這裡的分類並不是faster r-cnn的二分類，而是最終的分類

*另有一個備註：文章中的default box可以理解為faster r-cnn中的anchor

2. SSD

2.1 model
(1) 利用多尺度feature map進行檢測，這裡的多尺度不是人為縮放的，而是取自不同卷積層的feature map。如圖，後面的每個feature map都直接連上了分類器。

(2) 在feature map的每個位置，有k個anchor(本文是6個)。每個anchor產生C類分數+4個位置偏移量。**這些值是有3x3的不同的小卷積核產生的。**一個卷積和產生一個值。所以每個位置需要(C+4)*k個卷積核。

(3) 對於一張m x n的feature map，需要(C+4)k個卷積核，產生(C+4)k

這種方法可以有效覆蓋image上不同尺度的物體，如圖：

2.2 Training

匹配策略：匹配與GT的IoU(文中的jaccard index傑卡德係數也即IoU)大於0.5的anchor。

loss function：= 置信損失(softmax loss) + 位置損失(smooth L1)
具體公式就不寫了。

另外，我們前面提到，feature map上的每個位置都會產生k個anchor。本文采用的是6個。

m表示feature map的數量。k是feature map的索引。Smin是最小的scale，Smax是最大的scale。 Sk表示當前feature map採用的scale。

尺度解決了，還有aspect ratio，ar={1,2,3,1/2,1/3}。
anchor的寬Wk = Sk * sqrt(ar),
anchor的高Hk = Sk / sqrt(ar).
對於ar=1時，另外增加一個尺度Sk(extra) = sqrt(Sk * S(k+1))
如此一來，每個位置，產生6個anchor。

hard negtive mining：將false postive存起來(也就是得分高的負樣本存起來)，用作訓練時用的負樣本。因為false postive的loss值很大，這樣才能使權重得到較好的更新。如果負樣本中全是易區分的負樣本，則網路學不到有用的東西，權重也無法得到較好的更新。

3. 評價

ssd很6，但對於小物體的檢測比較渣。
因為ssd對影象進行了縮放(300x300;512x512)，小物體本身就小，一縮放更小，再一卷積池化，資訊幾乎快丟失了。
而faster R-CNN雖然也對影象進行了resize，但只是將最短邊縮放到了600，資訊比ssd豐富。所以faster r-cnn對小物體檢測比ssd好。

文中提到的改進：
(1)將300x300改成512x512，並且證明確實得到了改善。
(2)random crop，對影象進行隨機切割。
(3)對anchor使用更小的尺度和其他不同的寬高比。我覺得可以把尺度降低。