目标检测入门系列手册六：SSD训练教程

SSD

SSD[4] 同时借鉴了YOLO 网格的思想和Faster R-CNN 的anchor 机制，使得SSD 可以快速进行预测的同时又可以相对准确地获取目标的位置。

图2-15 中的（b）和（c）分别代表不同的特征层，（c）相对（b）离最终预测结果较近，因此跨越同样像素个数能检测的目标就越大。按照图2-15 所示，在特征层（b）的每个点上都将产生4 个不同大小的anchor（1:1 两个，1:2 两个），在特征层（c）上也是如此。因此，根据真实目标矩形框与每个anchor 的IOU 大小计算可知，（b）中有2 个anchor 为正样本，（c）中1 个anchor 为正样本。

对比之前学过的Faster R-CNN，接下来我们介绍SSD 的一些特点：

● 使用多尺度特征层进行检测。
在 Faster Rcnn 的 RPN 中，anchor 是在主干网络的最后一个特征层上生成的，而在SSD 中，anchor 不仅仅在最后一个特征层上产生，在几个高层特征层处同时也在产生anchor。如图