SSD论文笔记

1. 大致背景及思路介绍
   a. 一篇很经典的文章，SSD家族的开山鼻祖，在当年达到了比Yolo快，比Yolo准的水平。
   b. 引入了多尺度检测，使得检测框的数量和大小种类大大增多，达到了更好的水平。
   c. Default box的引入，类似于Anchors。

2. 与R-CNN系列，YOLO的比较
   a. R-CNN系列的特点就是准和慢。SSD与之相比最大提高就是快，这里主要是由于不需要进行RPN和ROI Pooling这两个步骤，Faster R-CNN的速度为7FPS，而SSD可以达到58FPS。
   b. YOLO系列的特点则是快但是不准。而SSD通过增加更多的预测框，并在多个尺度上进行预测，在更大尺度上的Feature map上预测小物体，提高了检测效果。而快则是由于SSD的卷积层更少，没有全连接层，而且输入的图像更小。在VOC2007上，SSD的准确率比YOLO高出接近10个百分点，快13FPS。

3. SSD的主要特点和结构
   
   a. Base network采用VGG16，在此基础上，增加若干卷积层以产生预测结果，这些卷积层的大小渐进的缩小，实现在多个尺度的特征图上的预测。
   b. 可以看到，总共在6层上进行预测，每层在每个cell中分别预测6个或3个锚框，最后我们会的到（38 * 38 3+19 * 19 * 6+10 * 10 * 6+5 * 5 * 6+3 * 3 * 6+1 * 1 * 6）总计7308个框，而YOLO只在最后一层的77上，每个cell预测两个框共98个，显然准确率上，SSD会有更大可能优于YOLO。
   c. 匹配策略上，首先每个GT box会和所有的预测框中IoU最高的进行一个匹配，然后还会和所有IoU大于一个阈值的进行匹配，这样使得每个GT box可能会和多个预测框进行匹配。
   d. 损失函数：定位的损失函数为Smooth L1 loss，分类的损失函数为典型的softmax 损失函数，N为匹配到的预测框的数量，α用于平衡两个loss，默认为1.
   
   e. Default box 缩放尺度和比例的选择。在每层上的缩放比例通过如下公式进行确定，可以看到层数越深，比例越大，也就是小物体主要靠前几层，大物体靠后几层：
   
   f. Hard negative mining：正负样本不均衡的问题依然存在，这里通过置信度排序后，将负样本和正样本的比例控制到3：1。这样可以使得训练更快更稳定。