SSD

目前主流的目标检测算法有两个类型一个是tow-stage另一个就是one-stage
。
one-stage主要的思想就是均匀的在图片的不同位置进行密集采样，在抽样的时候可以采用不同尺度和长宽比，然后利用CNN提取特征后直接进行分类和回归，整个过程只需要一步，代表SSD和YOLO。
均匀的密集采样的一个重要缺点就是训练比较困难，这主要是因为正样本与负样本非常不平衡，导致模型准确度比较低。
SSD（Single Shot MultiBox Detector），single shot是指SSD算法是属于one-stage方法，MultiBox说明SSD是多框预测。

上图是不同算法的框架图，对于Faster R-CNN，其先通过CNN得到候选框，然后再进行分类和回归，而Yolo与SSD只需要一步就可以检测完成，相比较Yolo，SSD采用CNN来直接进行检测，而不像Yolo那样在全连接层之后在做检测。
针对不同大小的物体检测，传统的做法是将图像转换成不同的大小，然后分别进行处理，最后将结果综合起来。而SSD利用不同卷积层的feature map进行综合也能达到相同的效果。大尺度特征图用来检测小物体，小尺度特征图检测大物体。
SSD采用了不同尺度和长宽比的先验框。预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。

训练SSD和基于region proposal方法的最大区别就是：SSD需要精确的将ground truth映射到输出结果上。这样才能提高检测的准确率。文中主要采取了以下几个技巧来提高检测的准确度。

匹配策略
Default boxes生成器
Hard Negative Mining
Data Augmentation