深度学习 -- SSD 算法流程详解

      SSD同样是经典论文，后续很多论文以此为基础，所以搞懂流程比较重要，中间如果 有写的不对、有问题或者有看不懂的地方，还望指正。如果有了新的理解，我会持续更新。

      作为经典论文，SSD算法也同样产生了很多后续工作比如 DSSD、RefineDet等等，而且由于有速度优势，工程中使用SSD和YOLO的可能性会更大。

      一、网络结构：

      上图是SSD和YOLO的网络结构，通过对比可以发现，SSD的优点就是它生成的 default box 是多尺度的，这是因为SSD生成default box 的 feature map 不仅仅是CNN输出的最后一层，还有利用比较浅层的feature map 生成的default box。所以SSD对于小目标的检测一定会优于YOLO v1（小目标经过高层卷积后特征几乎都消失了）。同时，又因为SSD生成的多尺度default box一定有更高概率找到更加贴近于 Ground Truth 的候选框，所以模型的稳定性是肯定比YOLO强的（YOLO的bounding box很少，只有98个，如果距离GT比较远，那么修正 bounding box 的线性回归就不成立，训练时模型可能会跑飞）。但是SSD的候选框数量是三种经典网络中最多的，有8732个，所以训练时应该会比较慢。

      二、算法流程：

      首先来看一下SSD的基本