SSD之前的准备:Scalable Object Detection using Deep Neural Networks

    在阅读SSD的论文的时候，看到在论文中提及过好几次的MultiBox算法，而且SSD的损失函数很大一部分是来自于这篇论文，因此，为了便于对SSD能够有一个更好的理解，便决定先阅读MultiBox算法的论文，也就是这篇博客要介绍的论文:Scalable Object Detection using Deep Neural Networks。MultiBox算法的全称叫做DeepMultiBox，是一种用来生成候选区域的方法，这里的候选区域类似于在R-CNN系列中经常提到的检测建议(detection proposal),是和类别无关的，因此这个算法和selective search的功能是类似的，而他俩的区别在于DeepMultiBox是通过训练网络来生成候选区域，而selective search则是通过图像过分割和聚类来实现候选区域的生成的。
    论文提出了一种受显著性启发的用于给目标检测框架提供候选框的神经网络，该网络输入一张图片，预测出一系列的包围矩形(bounding boxes，这个词应该不陌生了)并对每一个包围矩形都预测一个分数，分数表达的含义是该包围矩形有多大可能包含了物体，也就是说分数越高说明这个包围矩形越有可能包含物体。该论文主要有以下三个贡献:
    [1]把目标检测定义为对几个包围矩形坐标的回归问题，此外，每一个预测的矩形，网络都会输出一个分数(score)用于表达这个矩形有多大可能包含一个物体。这种回归的方法和传统的滑窗法相比，是更加高效的。
    [2]将边框检测器的训练作为神经网络训练的一部分。对于每一张训练图片，我们解