SSD 网络基本原理记录

由于是从Word文档直接复制过来，其中格式如果乱码或者不通顺，请评论区告知我

参考链接：
https://blog.csdn.net/qq_41185868/article/details/86548830
https://zhuanlan.zhihu.com/p/33544892

一、网络结构图

二、SSD原理与实现

https://zhuanlan.zhihu.com/p/33544892
1、SSD和YOLO相同和不同
相同：都是one-stage方法；
不同点：

• 1）SSD采用CNN来直接进行检测；Yolo在全连接层之后做检测(Yolov1包含有全连接层，从而能直接预测 Bounding Boxes 的坐标值。 作者发现通过预测偏移量而不是坐标值能够简化问题，让神经网络学习起来更容易。所以从yolov2开始已经去掉了)
• 2）SSD提取了不同尺度的特征图来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体；(这个yolo在后面的版本中也借鉴了这个优点)
• 3）SSD采用了不同尺度和长宽比的先验框（Prior boxes, Default boxes，在Faster R-CNN中叫做锚，Anchors）

2、设计思路

1）采用多尺度特征图用于检测
所谓多尺度采用大小不同的特征图(feature map)，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，这正如图3所示，一个比较大的特征图和一个比较小的特征图，它们都用来做检测。这样做的好处是比较大的特征图(同场景视角但清晰)来用来检测相对较小的目标，而小的特征图(同场景视角但模糊)负责检测大