目录
- [1. SSD(Single Shot MultiBox Detector)](#1. SSD(Single Shot MultiBox Detector))
- [2. 网络结构](#2. 网络结构)
- [3. 流程](#3. 流程)
-
- [3.1 detector & classifier](#3.1 detector & classifier)
- [3.2 default boxes](#3.2 default boxes)
- [3.4 localization与confidence](#3.4 localization与confidence)
- [4. 训练流程](#4. 训练流程)
- [5. 测试流程](#5. 测试流程)
- [6. 总结](#6. 总结)
1. SSD(Single Shot MultiBox Detector)
SSD算法源于2016年发表的算法论文，论文网址:https://arxiv.org/abs/1512.02325
SSD的特点在于:
SSD结合了YOLO中的回归思想和Faster-RCNN中的Anchor机制，使用全图各个位置的多尺度区域进行回归，既保持了YOLO速度快的特性，也保证了窗口预测的跟Faster-RCNN一样比较精准。
SSD的核心是在不同尺度的特征特征图上采用卷积核来预测一系列Default Bounding Boxes的类别、坐标偏移。
2. 网络结构
以VGG-16为基础，使用VGG的前五个卷积，后面增加从CONV6开始的5个卷积结构，输入图片要求300*300
3. 流程
SSD中引入了Defalut Box，实际上与Faster R-CNN的anchor box机制类似，就是预设一些目标预选框，不同的是在不同尺度feature map所有特征点上是使用不同的prior boxes
3.1 detector & classifier
Detector&classifier的三个部分
1.default boxes:默认候选框
2.localization:4个位置偏移
3.confidence:21个类别置信度(要区分出背景)
3.2 default boxes
每个像素点生成3个候选框
ratio:长宽比
默认框的大小计算参数:s_min:最底层的特征图计算参数，s_max最顶层的特征图计算参数
3.4 localization与confidence
SSD的核心是在不同尺度的特征图上来进行Detector&classifier 容易使得SSD观察到更小的物体
4. 训练流程
输入->输出->结果与ground truth标记样本回归损失计算->反向传播,更新权值
1.样本标记:
利用anchor与对应的ground truth进行标记正负样本,每次并不训练8732张计算好的default boxes,先进行置信度筛选，并且训练指定的正样本和负样本，如下规则
- 正样本
1.与GT重合最高的boxes,其输出对应label设为对应物体,
2.物体GT与anchor iou满足大于0.5设为正样本: - 其它的样本标记为负样本
在训练时，default boxes按照正负样本控制positive:negative=1:3
2.损失
网络输出预测的predict box与ground truth回归变换之间的损失计算， 置信度是采用 Softmax Loss(FasterR-CNN是log loss)，位置回归则是采用 Smooth L1loss(与Faster R-CNN一样)
5. 测试流程
出入-》输出-》nms-》输出
6. 总结
