SSD: Single Shot MultiBox Detector(单步多框检测器)论文综述
SSD算法是在YOLO的基础上改进的单阶段方法，通过融合多个feature map上的BB，在提高速度的同时提高了检测的精度，性能超过了YOLO和Faster-rcnn（大目标条件）。
单步算法，无需proposal,类似一个优化了的rpn网络。
从每个fm(feature map)上的每个像素点都输出一组不同大小、不同高宽比的默认BB（bounding box）。测试阶段，每个默认BB都输出每个类别物体是否出现的得分，同时调整BB的大小位置以更好的包裹物体。而且此网络混合不同分辨率的fm的预测以更好的检测不同大小的物体。
效果：
300300输入:59fps, 74%mAP(VOC)/
512512输入：76.9%mAP。
1、概要
目前主流检测网络套路：预设BB，然后对BB重采样（resample）修正，并且应用一个分类器分类，如faster r-cnn。这种套路一般能保证准确率，但最大的问题：慢！faster r-cnn才7fps。
本文所提网络SSD没有重采样，当可以做到和有重采样的网络一样准，并且速度快。快的原因就是没有提poposal这一步，也没有后续的重采样像素或特征这一步。
本文主要贡献：
1） 提出SSD，比yolo快，准，和faster r-cnn差不多准。
2） SSD的核心是在一系列默认BB上、用小的滤波器预测分类得分和框的偏移
3） 为了提高预测准确度，对不同尺度的特征图上的不同尺度的bb（anchor box）都做预测, 并且根据高宽比来区分。
4） 能够端到端训练，即使在低分辨率的输入也能有高准确率，达到速度与准确率的权衡。
5） 在速度和准确度上都做了实验，并与其他模型对比。
2 SSD
1）只有一张输入图片如（a）图。
2）每个输入在不同层产生不同大小的fm， 如（b）（c）。
3）每个fm中的每个像素点都有一系列默认框（default box类似anchor box），每个默认框上都做框修正和所有分类得分的预测。
4）训练阶段，首先把默认框映射到标签框。如把fm中猫狗所对应的框映射到输入图片上的框，模型损失是定位损失和分类损失取权重相加。
2.1 模型
主干网络是经过修剪的VGG16,用于产生不同尺度的fm，在主干网络上加入了一些辅助结构来产生预测，辅助结构有如下特征：
1） 在多尺度的fm上做预测。在修剪过的主干网络后加入卷积层，
2） 卷积预测。每一张fm用一组卷积核器做预测，如一张mnp的fm(p是通道数)，可以用33p的卷积核预测分类得分或者是对默认框（相对于fm上的默认框）修正，对比yolo这一步是在中间用全卷积而非全连接。
3） 默认框与高宽比。每个fm中的每个像素点有默认的k给框，每个框计算共计c中类别的得分，及4个框修正值。这样每个位置共计有（c+4）k个滤波器？？，每张fm共产生（c+4）kmn个输出值。这与faster r-cnn中anchor boxes很类似，只不过是应用于多尺度的fm上。
2.2 训练
SSD与带proposal的模型训练的最大不同点在于，ssd需要把标签框映射到每一层的fm上去。一旦这种映射完成，就可以做端到端的应用损失函数和反响传播了。
匹配策略：
训练期间我们要确定哪个默认框对应到哪个标签框，然后相应的训练网络。
1） 每一个标签框都为之选择在位置、高宽比、尺度不同的一组默认框。先把标签框对应到与之jaccard overlap（在multiBox中所提到,推测即iou）最大的那个默认框上去。
2） 然后把剩余没有配对的默认框与任意一个标签狂尝试配对，只要两者之间的iou大于阈值（0.5）即可。
3） 配对到标签框的默认框认为是positive,没有配对的就是negative.
训练目标函数：
定位损失和分类损失的加权和。N为标签框所匹配的默认框数，如果N为0，取loss为0。
是一个表示第i个默认框和第j个标签框（类别号为p）的标识。
分类损失：
在验证集上取1。
为默认框设置大小和高宽比：
用了m个fm做预测（不同层），最底层的fm的scale值Smin=0.2， 最高层Smax=0.9,其他第k层计算公式:
根据不同的高宽比1、2、3、1/2、1/3 (表示为ar)确定每层默认框的宽w和高度h：
疑问：狗匹配到了44的fm中的box, 但是在88的fm中却没匹配不到任何框。能匹配到为什么默认框尺度不一样就匹配不到狗的框？？
Hard negative mining:
训练时大部分默认框都是负样本，会给模型性能带来巨大影响，针对此问题，并不对所有的负样本都训练，而是根据最高分类得分进行排序，选最高的一批，这样使得正负样本比例得分为3：1。
数据增强：原图，随机分割等多种
3 实验结果
主干网络：VGG16，经过在ILSVC上预训练，把fc6和fc7转换成卷积层，从fc6和fc7下采样，把pool5从22 s2装换成33 s1，用atrous算法来填充holes.除去dropout layers 及fc7层，SGD:lr:0.001， 0.9momentum, 0.0005weight decay, bt:32.
结果表明：
对小物体识别效果很差，因为高层基本没有小物体的信息。
对动物类别容易弄混，可能是由于多雷被共享位置。
模型分析（消融实验）：
1） 数据增强很有用（1、5列）。
疑问：为什么分类时有feature pooling步骤（对目标平移有鲁棒性）使得数据增强对Faster r-cnn系列获益更少？？
2） 高宽比为1/2 2和1/3 3有对检测有一定提高(对比2、3、5列)。因为这两种box可以在一定程度上正大较大和较小的BB,可以更加准确的检测较大和较小的目标，且VOC
上的目标一般比较大。
3） Atrous算法可以轻微提高算法性能但其主要作用时用来提速，论文中表明可提速20%。主要原因是该算法可以获得更大fm和接收场，但是SSD本身利用了多个fm来获取BB,BB的多样性已经够多了，故由于fm的扩大二多得到的BB可能时重复的，并没有起到提升检测性能的作用。
4） 不同分辨率的多输出层使得性能更好。在是否忽略靠边界的框时发现，若忽略，则比较粗糙的fm（即fm下采样到很小的层）会大幅影响性能。
3.3 pascal voc2012
3.4 coco表现
3.7测试阶段
用了NMS, 阈值0.45， 每张图片保留前200个检测结果？？
5 分析ssd快的原因
1） 单步网络，只需一个阶段就能输出结果，肯定快。而faster r-cnn是两步网络，虽然BB少很多，但是需要大量的前向推理和反向推理（训练1阶段），而且需要交替训练两个网络。
2） Yolo虽然看起来比ssd简单，但是yolo中含有大量的全连接层，而SSD讲VGG中的全连接层换成了卷积层，所有层都是卷积层。
3） 用latrous算法，提速20%。
4） Ssd中设置了输入图片大小，将不同大小的图片裁剪成300300和500500，而faster r-cnn是1000*600左右的，在输入上就少了很多计算。
6 ssd算法的优缺点
优点：速度快过yolo,精度超过faster r-cnn（一定条件下，对于稀疏场景的大目标而言）。
缺点：
1） 需要人工设置默认框的大小（min_size, max_size和高宽比），每一层的默认框的大小和形状都不一样，导致调试过程很依赖经验。而yolo2使用了聚类找出了anchor box的形状，可直接套用在ssd上。
2） 对小物体识别较差，faster r-cnn在小物体上效果更优。
