SSD学习小结

首先记录一下什么是卷积神经网络CNN
卷积神经网络是一个多层的神经网络，每层由多个二维平面组成，而每个平面由多个独立神经元组成。

一张图片里的图像可以表示为像素值的矩阵。
利用卷积从图像矩阵中提取特征，从而得到特征图（Feature map）。
特征图的不同由以下三个卷积核/滤波器/特征检测器参数控制：
1. 深度（Depth）
卷积操作所需的特征检测器个数
2. 步长（Stride）
在输入矩阵上滑动滤波矩阵的像素数
3. 零填充（Zero-padding）
在输入矩阵的边缘使用零值进行填充，可以对输入图像矩阵的边缘进行滤波。零填充的一大好处是可以控制特征图的大小。
一般会有一个线性修正单元ReLU，应用到各个像素，将特征图中的所有小于0 的像素值设置为零。目的：在 ConvNet 中引入非线性。因为在大部分时候希望 ConvNet 学习的实际数据是非线性的。
池化函数可以逐渐降低输入表示的空间尺度。空间池化（Spatial Pooling）（下采样）降低了各个特征图的维度，但可以保持大部分重要的信息。使输入表示（特征维度）变得更小，并且网络中的参数和计算的数量更加可控的减小，防止过拟合；使网络对于输入图像中更小的变化、冗余和变换变得不变性（输入的微小冗余将不会改变池化的输出——因为在局部邻域中使用了最大化/平均值的操作）；帮