声明：基本参考搬运自https://zhuanlan.zhihu.com/p/33544892，该博客写的详略得当，重点突出。本文仅做格式整理，自己留存备份。其中也有些许自己添加的理解和图片。由于csdn不支持cvg格式图片，一部分文本以图片截图粘贴，如有需要参考上述链接或私信我。

1、主要贡献

    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。

2、主要思路

    如上图第一个图，对比YOLO，主要是增加了多尺度的预测，每个尺度又增加了先验框，去除了全连接层替换成卷几层，保留了空间位置信息，最后输出8732个结果，然后进行loss回传（训练阶段），或者然后进行置信度阈值过滤+NMS（测试阶段）。

3、具体细节

1）input

输入尺寸：

    由于去掉了全连接层，不用再限制模型的输入，SSD常见的尺寸有300*300，512*512.

预处理：

    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，当然这是古老的技术，现在可以使用mosaic技术），如下图所示：

2）backbone

    backbone采用了VGG16。

5）trics

多尺度特征图、卷积层检测、先验框、扩张卷积、GT与先验框匹配规则、包含困难样本挖掘

6）inference

    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。

4、结果

    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，下表为不同的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，这可以从下表中看出：

参考链接：

1、https://zhuanlan.zhihu.com/p/33544892

2、https://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet-inception-xception-keras/