快速了解一个网络：SSD, Single Shot MultiBox Detector
以下内容偏向于记录个人学习过程及思考，非常规教学内容
背景
基于region proposals的二阶段目标检测网络太慢了
核心思想
提出一种一阶段的目标检测网络结构。基于规则，在不同层的不同位置产生不同形状的候选框，经过设计后这些候选框相对固定，规避了region proposals带来的时间。
不同深度的卷积层，其感受野不同。
浅层的卷积层，感受野较小，此时的候选框面向的是小目标
较深的卷积层，感受野较大，此时的候选框面向的是大目标
因此，从不同的卷积层提取的这些候选框，保证了网络对于不同大小和尺度目标的检出能力。
Pipeline
如图所示。作者将VGG-16的fc6和fc7层用卷积层进行了替代，并在后续也使用一系列卷积，将每层的feature map大小逐步减小（感受野逐层提高）。
对于 m x n 的feature map，每个位置会设置k个不同比例的候选框，每个候选框会输出c个类别的置信度及4个检测框相对于候选框的offset。因此每个 m x n 的feature map共有 (c+4)kmn 个输出。
亿些细节
Training
与MultiBox不同，只要候选框与GT的IOU大于0.5,就将其认为是正例。因此，SSD推理阶段会输出大量的目标检测框，需要作NMS来保留置信度最高的框。
假设我有m个feature map用于detection，如何针对不同层的feature map选择合适的scale呢？作者给出了一种线性的选择方式。设置好smin和smax后，即可推出中间层的s
基于本文的思路，不包含待检测物体的候选框的数量会远远大于正例，对于训练来说会非常困难。作者这里是将loss最高的一些负例挑出来作反向传播，其余负例丢弃。作者认为负例:正例 = 3:1时，训练的效果比较稳定。
- 数据增强。这里作者考虑在以下3种策略中随机选取：
- 使用整张原始图像
- 按照和GT最小的IOU（0.1, 0.3, 0.5, 0.7, 0.9）随机截取一部分区域
- 随机截取一部分区域
- 对于小物体的检测精度提升，作者尝试将图片放置于基于平均方式的16倍上采样的图上，这样对小物体检测有一些提升。
进一步了解
无
原文和代码
https://arxiv.org/abs/1512.02325
参考资料
无