SSD模型（论文大致内容）

以下参考论文SSD: Single Shot MultiBox Detector
SSD:

SSD只需要一个输入图像和参考标准即可

我们在特征地图中每个位置上评估了几个不同比例的默认框(8 × 8和4 × 4)
对于每个默认框，我们预测所有对象类别的形状偏移量和置信度((c1, c2，···，cp))

在训练时，我们首先将这些默认框与参考标准进行匹配
例如，我们将两个默认的盒子分别与猫和狗进行了匹配
模型损失是一个在定位损失(如L1)和置信度损失(如Softmax)之间的加权和

SSD方法基于前馈卷积网络，生成一个固定大小的包围盒集合，并为这些盒中存在的对象类实例评分，然后根据非极大值抑制(Non-Maximum Suppression)，以产生最终检测。

PS：非极大值抑制(Non-Maximum Suppression)，目标检测的过程中在同一目标的位置上会产生大量的候选框，这些候选框相互之间可能会有重叠，此时我们需要利用非极大值抑制找到最佳的目标边界框，消除冗余的边界框。

Multi-scale feature maps for detection（多尺度特征图检测）
我们在截断的基础网络的末端添加了卷积特征层。这些层的大小逐渐减少，并允许在多个尺度上预测探测。对于每个特征层，预测检测的卷积模型是不同的

Convolutional predictors for detection（用于检测的卷积预测器）
每一个添加的特征层(或可选的来自基础网络的现有特征层)都可以使用一组卷积过滤器产生一组固定的检测预测。这些都显示在SSD网络架构之上。对于大小为m × n、有p个通道的特征层，预测潜在检测参数的基本元素是一个3 × 3 × p的小核，它产生一个类别得分，或相对于默认框坐标的形状偏移。在每个m × n的位置应用核，它产生一个输出值。
我们的SSD模型在基础网络的末端添加了几个特征层，这些特征层可以预测不同规模、宽高比和相关置信度的默认框的偏移量。在VOC2007测试中，300 × 300输入尺寸的SSD在准确性上显著优于其448 × 448YOLO对应版本，同时也提高了速度

Default boxes and aspect ratios（默认框和宽高比）
对于网络顶部的多个特征图，我们将一组默认的边界框与每个特征图单元关联起来。默认的盒子以一种卷积的方式平铺特征图，这样每个盒子相对于它相应的单元格的位置是固定的。在每个特征映射单元格中，我们预测相对于单元格中默认框形状的偏移量，以及在每个框中存在类实例的每个类得分。具体来说，对于给定位置k之外的每个方框，我们计算c类得分和相对于初始默认方框形状的4个偏移量。这将导致在特征图的每个位置周围应用的(c + 4)k个滤波器，会生成m × n特征图的(c + 4)kmn输出。

Training：
训练SSD和训练使用区域建议的典型检测器之间的关键区别是，参考信息需要分配到检测器输出的固定集合中的特定输出。

Matching strategy（匹配策略）
在训练期间，我们需要确定哪些默认框和参考目标有联系，并相应地训练网络。对于每个参考目标，我们从默认框中选择，这些默认框会根据位置、宽高比和比例变化。我们首先将每个参考目标匹配到具有最佳jaccard overlap的默认box(如MultiBox[7])。与MultiBox不同的是，我们将默认框匹配到所有具有大于阈值(0.5)的jaccard overlap的参考目标。这简化了学习问题，允许网络预测多个重叠默认框的高分，而不是只选择最大重叠的那个。
jaccard overlap:

Training objective
总体目标损失函数为定位损失(loc)和置信度损失(conf)的加权和:

设$x_{ij}^p$={ $0,1$}是匹配类别p的第i个默认框和第j个参考目标框的指示符。所以${\sum }_i{x}_{ij}^{}$