本宝宝最近心情不会，反正这篇也是搬用别人博客的了：（SSD就是YOLO+anchor(不同feature map 作为input)）

引言

这篇文章是在YOLO[1]之后的一篇文章，这篇文章目前是一篇the-art-of-state的方法。这篇文章可以看到很多前人的影子，我所感受到这篇文章主要借鉴前人的有DeepNultiBox[2]、Faster R-CNN[3]、YOLO[1]、VGG16[4]等。

发表位置

• ECCV 2016
• PDF.v5 arXiv：1512.02325.pdf
• 代码托管

问题引入

对于object detection，之前的方法都没有特别快，虽然YOLO很快，但是在准确性上下降了较多。作者就提出了一个速度很好，准确性还好的方法——SSD。

SSD核心思想

整个图片做输入，之后在输出层回归出box的位置和object的类别。与YOLO不同的是，SSD在输出层只用conv layer，而不是全链接层。

模型

这个模型，是以VGG16进行修改的，把VGG16的fc层换成conv层，中间还夹杂了maxpooling层。每个额外添加的conv层都输出一个Feature map，并以此作为预测一个输入，换句话说，这些不同scale的Feature map都作为预测的输入，以此来达到不同scale。作者举了一个例子，如果一个Feature map是m×n×p（width×height×channel）的，那么用3×3×p的kernel去产生value，产生了m×n个value。

为了方便读者理解这个网络结构，我把VGG[4]论文中的图粘贴过来了，作者用的是D这个模型进行修改的。

训练

default boxes

作者在这里提到的default boxes与faster R-CNN中的Anchor很类似，这里是按照YOLO中的想法，把每个Feature map（不同scale的）分成m×n个cell，每个cell有默认出k个default boxes，最后的predict box与default box有4个offset，并为每个predict box计算c个类的值。最后产生了（c+4）kmn个值。这里与faster R-CNN Anchor最大的不同就是，faster R-CNN是通过改变Anchor的大小来实现scalable的，SSD是改变Feature map大小来实现的。

训练目标

损失函数：这个与Faster R-CNN中的RPN是一样的，不过RPN是预测box里面有object或者没有，所以，没有分类，SSD直接用的softmax分类。location的损失，还是一样，都是用predict box和default box/Anchor的差 与 ground truth box和default box/Anchor的差 进行对比，求损失。 

以下，是我根据我的理解画的一张简单示意图。这个default box存在求损失，就是尽可能把X与Y的数值做到差值最小。

为default box选择尺度（scale）和长宽比

如果我们用m个Feature maps进行预测，那么尺度最大的是smax，最小的是smin，那么第k个Feature map的default boxes的尺度sk：
使用不同的长宽比，ar∈{1,2,3,1/2,1/3}，长度（wr = sk × squr(ar)），高度（hr = sk / squr(ar)）。除此之外，对于ar=1，还有一个情况sk‘= squr(sk × sk+1)。

negative数据处理

这种方法会产生很多个negative的数据，使positive与negative失去平衡，作者把negative：positive控制在3:1。

数据扩大

实验结果

PASCAL VOC2007

PASCAL VOC2012

COCO

模型分析

数据扩大很重要

多个default box 尺度更好

atrous 更快

目前，我还没有明白atrous是什么。

多个Feature map用于预测更好

SSD定位错误少

因为他把定位和分类放在一步里解决。

小目标效果不好

因为在top layer中，获得小目标的信息不多，扩大图片大小输入，会有改善。通过数据扩大也会有改善。

速度

使用 Titan X 、 cuDNN v4 、 Intel Xeon E5-2667v3@3.20GHz。

结论

• SSD的各种特定和优点。
• SSD将会获得更为广泛的应用。

个人想法

这篇文章在很早之前就想拜读，但是，到今天才扣完。之前读的object Detection文章基本都是在为了这篇做基础。这篇文章看完了，想法有很多，现在简单叙述一下把。

巨人肩膀

• DeepMultiBox:这篇文章主要讲的多个scale的问题，利用图片放缩的方法进行不同scale多个框预测。文章在最后提到把定位分类放到one-shot的网络里面，我觉得作者可能受到这个的启发。
• YOLO:YOLO这篇文章就是把定位和分类放在一个网络里面，同时彻底摆脱了之前位置推荐的方式。SSD中的default box的生成借鉴了YOLO中cell的想法。SSD在很多方面都是在于YOLO做对比。毕竟YOLO是发表在CVPR2016上的成果。
• Faster R-CNN:这篇文章主要借鉴了Faster R-CNN中anchor的想法。正如作者在提到“similar to Faster R-CNN”，SSD里面提到的“default bounding box”直接按照anchor理解的话，便容易理解多了，SSD与Faster R-CNN中关于Anchor的使用区别主要在Scalable上。
• VGG16:这个主要说的是个网络结构，SSD主要就是根据VGG16改的，VGG16中抛弃了之前用的5×5、7×7、11×11等大的卷积核，而是全用3×3的卷积核（VGG文章中提到了具体原因，大主要有1.更多个non-linear rectification layers.）。

作者提到的改进空间

• “How to design the optimal tiling is an open question as well”，这是作者在提到default box的尺度问题时候说的。
• 针对small object的问题，这个跟YOLO是一致的，我觉得这很可能是这样划分cell的问题。