先上一个物体检测算法时间轴：
!()[https://upload-images.jianshu.io/upload_images/4987072-d56f272622ecc495?imageMogr2/auto-orient/strip%7CimageView2/2/w/720/format/webp]
从时间轴上看，SSD的发布是在Faster rcnn和YOLO-v1之后，YOLO-v1是one-stage检测算法开山之作，速度上碾压Faster rcnn。SSD沿用了YOLO-v1 one-stage的思想，融合了Faster rcnn的anchor-box，又提出了多尺度检测思想，最终达到了效果和速度都相对比较理想的程度，如下：
!()[https://upload-images.jianshu.io/upload_images/4987072-1e56279546be1398?imageMogr2/auto-orient/strip%7CimageView2/2/w/838/format/webp]
SSD:Single Shot MultiBox Detector 论文下载地址：https://arxiv.org/pdf/1512.02325.pdf
设计理念
SSD和YOLO一样都是采用端到端的方法，采用一个CNN网络进行检测，但采用了不同尺度的Feature Map，核心设计理念总结如下：
!(基本框架)[https://img-blog.csdn.net/20180406150216329?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9odTIwMjI=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70]
(1)采用多尺度特征图用于检测
CNN一般前面的feature map比较大，每个单位视野比较小，适合检测小的物体；后面的feature map相对较小，但每个单位的视野大，适合检测大的物体。
!()[https://img-blog.csdn.net/20180406150249491?watermark/2/text/aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3hpYW9odTIwMjI=/font/5a6L5L2T/fontsize/400/fill/I0JBQkFCMA==/dissolve/70]
(2)采用全卷积进行检测
与YOLO-v1后面接全连接层不同，SSD直接采用卷积对提取不同大小的feature map，主要采用3*3的卷积核进行特征提取。
(3)设置先验框
在Yolo中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真实目标的形状是多变的，Yolo需要在训练过程中自适应目标的形状。
而SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框，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。一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异，如图下图所示，可以看到每个单元使用了4个不同的先验框，图片中猫和狗分别采用最适合它们形状的先验框来进行训练，后面会详细讲解训练过程中的先验框匹配原则。
1.https://blog.csdn.net/xiaohu2022/article/details/79833786
SSD的检测值也与Yolo-v1有一些差异，但是都包括confidence和location，Yolo-v1中confidence指所预测的 box 中含有 object 的置信度和这个 box 预测的有多准两重信息,SSD中confidence指预测的各个类别的置信度。具体说一下，检测值第一部分confidence是各个类别的置信度，SSD也将背景作为了一个特殊类，若检测目标共有c个类，则SSD需要预测c+1个类别置信度。在预测过程中，置信度最高的那个类别就是单签边界框所属的类别，若对应的背景类别置信度最高，则该边界框中不包含目标。第二部分就是边框的location(cx,cy,w,h)，但是边框预测值是相对于设置的先验框的offset。，其对应边界框
，边界框的预测值
jiushi
相对于
的转换：
,
,
,
习惯上，我们称上面这个过程为边界框的编码(encode)，预测时，你需要反向这个过程，即进行解码(decode)，从预测值中得到边界框的真实位置
：
,
,
,
综上所述，对于一个大小的特征图，共有mn个单元，每个单元设置的先验框数目记为
，那么每个单元共需要
个预测值，所有的单元共需要
个预测值，由于SSD采用卷积做检测，所以就需要
个卷积核完成这个特征图的检测过程。
网络结构
SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测。如下图所示，上面是SSD模型，下面是Yolo-v1模型，可以明显看到SSD利用了多尺度的特征图做检测。模型的输入图片是300300（还可以是512512，其余前者网络结构没有差别，只是最后新增一个卷积层）
采用VGG16做基础模型，首先VGG16是在ILSVRC CLS-LOC数据集预训练。分别将VGG16的全连接层fc6和fc7转换成3×3卷积层conv6和1×1卷积层conv7，同时将池化层pool5由原来的2×2−s2变成3×3−s1（reduce特征图大小）
为了配合这种变化，采用了一种Atrous Algorithm，其实就是conv6采用扩展卷积或带孔卷积（Dilation Conv），其在不增加参数与模型复杂度的条件下指数级扩大卷积的视野，其使用扩张率(dilation rate)参数，来表示扩张的大小，如下图所示，(a)是普通的3×3卷积，其视野就是3×3，(b)是扩张率为2，此时视野变成7×7，(c)扩张率为4时，视野扩大为15×15，但是视野的特征更稀疏了。Conv6采用3×3大小但dilation rate=6的扩展卷积。
然后移除dropout层和fc8层，并新增一系列卷积层，在检测数据集上做finetuing。
其中VGG16中的Conv4_3层将作为用于检测的第一个特征图。conv4_3层特征图大小是38×38，但是该层比较靠前，其norm较大，所以在其后面增加了一个L2 Normalization层，以保证和后面的检测层差异不是很大，这个和Batch Normalization层不太一样，其仅仅是对每个像素点在channle维度做归一化，而Batch Normalization层是在[batch_size, width, height]三个维度上做归一化。归一化后一般设置一个可训练的放缩变量gamma，使用TF可以这样简单实现：
从后面新增的卷积层中提取Conv7，Conv8_2，Conv9_2，Conv10_2，Conv11_2作为检测所用的特征图，加上Conv4_3层，共提取了6个特征图，其大小分别是(38,38),(19,19),(10,10),(5,5),(3,3),(1,1)，但是不同特征图设置的先验框数目不同（同一个特征图上每个单元设置的先验框是相同的，这里的数目指的是一个单元的先验框数目）。先验框的设置，包括尺度（或者说大小）和长宽比两个方面。对于先验框的尺度，其遵守一个线性递增规则：随着特征图大小降低，先验框尺度线性增加：
其中指的特征图个数，但却是5，因为第一层（Conv4_3层）是单独设置的，
表示先验框大小相对于图片的比例，而
和
表示比例的最小值和最大值，paper里面取0.2和0.9,。对于第一个特征图，其先验框的尺度比例一般设置为
，那么尺度为300*0.1=30。对于后面的特征图，先验框尺度按照上面公式线性增加，但是先将尺度比例先扩大100倍，此时增长步长为
，这样各个特征图的
为20,37,54,71,88，将这些比例除以100，然后再乘以图片大小，可以得到各个特征图的尺度为60,111,162,213,264，对于长宽比，一般选取
,对于特定的长宽比，按照如下公式计算先验框的宽度和高度(后面的
均指的是先验框实际尺寸，而不是尺度比例)：
得到了特征图之后，需要对特征图进行卷积得到检测结果，下图给出了一个5×5大小的特征图的检测过程。其中Priorbox是得到先验框，前面已经介绍了生成规则。检测值包含两个部分：类别置信度和边界框位置，各采用一次3×3卷积来进行完成。令为该特征图所采用的先验框数目，那么类别置信度需要的卷积核数量为
，而边界框位置需要的卷积核数量为
。由于每个先验框都会预测一个边界框，所以SSD300一共可以预测38×38×4+19×19×6+10×10×6+5×5×6+3×3×4+1×1×4=8732个边界框，这是一个相当庞大的数字，所以说SSD本质上是密集采样。
训练过程
(1)先验框匹配
在训练过程中，首先要确定训练图片中的ground truth（真实目标）与哪个先验框来进行匹配，与之匹配的先验框所对应的边界框将负责预测它。在Yolo-v1中，ground truth的中心落在哪个单元格，该单元格中与其IOU最大的边界框负责预测它。但是在SSD中却完全不一样，SSD的先验框与ground truth的匹配原则主要有两点。首先，对于图片中每个ground truth，找到与其IOU最大的先验框，该先验框与其匹配，这样，可以保证每个ground truth一定与某个先验框匹配。通常称与ground truth匹配的先验框为正样本，反之，若一个先验框没有与任何ground truth进行匹配，那么该先验框只能与背景匹配，就是负样本。一个图片中ground truth是非常少的， 而先验框却很多，如果仅按第一个原则匹配，很多先验框会是负样本，正负样本极其不平衡，所以需要第二个原则。第二个原则是：对于剩余的未匹配先验框，若某个ground truth的IOU大于某个阈值（一般是0.5），那么该先验框也与这个ground truth进行匹配。这意味着某个ground truth可能与多个先验框匹配，这是可以的。但是反过来却不可以，因为一个先验框只能匹配一个ground truth，如果多个ground truth与某个先验框IOU大于阈值，那么先验框只与IOU最大的那个先验框进行匹配。第二个原则一定在第一个原则之后进行，仔细考虑一下这种情况，如果某个ground truth所对应最大IOU小于阈值，并且所匹配的先验框却与另外一个ground truth的IOU大于阈值，那么该先验框应该匹配谁，答案应该是前者，首先要确保某个ground truth一定有一个先验框与之匹配。但是，这种情况我觉得基本上是不存在的。下图为一个匹配示意图，其中绿色的GT是ground truth，红色为先验框，FP表示负样本，TP表示正样本。
尽管一个ground truth可以与多个先验框匹配，但是ground truth相对先验框还是太少了，所以负样本相对正样本会很多。为了保证正负样本尽量平衡，SSD采用了hard negative mining，就是对负样本进行抽样，抽样时按照置信度误差（预测背景的置信度越小，误差越大）进行降序排列，选取误差的较大的top-k作为训练的负样本，以保证正负样本比例接近1:3。
(2)损失函数
训练样本确定了，然后就是损失函数了。损失函数定义为位置误差（locatization loss， loc）与置信度误差（confidence loss, conf）的加权和：
其中是先验框的正样本数量，
为一个指示参数，当
时表示第
个先验框与第
个ground truth匹配，并且ground truth的类别为
。
为类别置信度预测值。
为先验框的所对应边界框的位置预测值，而
是ground truth的位置参数。对于位置误差，其采用Smooth L1 loss，定义如下：
由于的存在，所以位置误差仅针对正样本进行计算。值得注意的是，要先对ground truth的gg进行编码得到g^，因为预测值ll也是编码值。
对于置信度误差，其采用softmax loss:
权重系数αα通过交叉验证设置为1。
(3)数据扩增
采用数据扩增（Data Augmentation）可以提升SSD的性能，主要采用的技术有水平翻转（horizontal flip），随机裁剪加颜色扭曲（random crop & color distortion），随机采集块域（Randomly sample a patch）（获取小目标训练样本），如下图所示：
预测过程
预测过程比较简单，对于每个预测框，首先根据类别置信度确定其类别（置信度最大者）与置信度值，并过滤掉属于背景的预测框。然后根据置信度阈值（如0.5）过滤掉阈值较低的预测框。对于留下的预测框进行解码，根据先验框得到其真实的位置参数（解码后一般还需要做clip，防止预测框位置超出图片）。解码之后，一般需要根据置信度进行降序排列，然后仅保留top-k（如400）个预测框。最后就是进行NMS算法，过滤掉那些重叠度较大的预测框。最后剩余的预测框就是检测结果了。
性能评估
首先整体看一下SSD在VOC2007，VOC2012及COCO数据集上的性能，如下表所示。相比之下，SSD512的性能会更好一些。加*的表示使用了image expansion data augmentation（通过zoom out来创造小的训练样本）技巧来提升SSD在小目标上的检测效果，所以性能会有所提升。
SSD与其它检测算法的对比结果（在VOC2007数据集）如下表所示，基本可以看到，SSD与Faster R-CNN有同样的准确度，并且与Yolo具有同样较快地检测速度。
文章还对SSD的各个trick做了更为细致的分析，表3为不同的trick组合对SSD的性能影响，从表中可以得出如下结论：
- 数据扩增技术很重要，对于mAP的提升很大；
- 使用不同长宽比的先验框可以得到更好的结果；
同样的，采用多尺度的特征图用于检测也是至关重要的，这可以从下表看出：
总结
SSD在Yolo的基础上主要改进了三点：多尺度特征图，利用卷积进行检测，设置先验框。这使得SSD在准确度上比Yolo更好，而且对于小目标检测效果也相对好一点。由于很多实现细节都包含在源码里面，文中有描述不准或者错误的地方在所难免，欢迎交流指正。
参考
1.https://blog.csdn.net/xiaohu2022/article/details/79833786
