训练
匹配策略和难负样本挖掘
称候选框是正的，如果与某个GT有最大的IOU或者IOU大于某个阈值（0.5）。其余候选框是负的。
但这样的定义会造成大多数候选框是负的（即正负样本的显著不均衡），所以文中使用hard negtive example mining，即将所有负候选框按loss从大到小排序，取top N，使的负：正 ~= 3：1，这样训练速度更快也更稳定。
损失函数
N是正样本数目，如果N=0，则令loss=0，α=1根据验证集
候选框设计
数据增益
base network
实验
可以看到SSD对相似类的辨别能力稍微差点（尤其是动物），这可能SSD对所有的类都共享位置。（也就是说对默认框回归的时候不是按类回归的，RCNN系列就是按类回归的）。
可以看到SSD300对小目标的效果不是很好，这点一点都不奇怪，因为小目标在顶层只含有非常少的信息。当然放大到SSD512的效果就能提升。另一方面，SSD在大目标检测上效果非常好。SSD对不同长宽比的目标也很鲁棒，因为在各个特征映射上都用不同长宽比的默认框。
可以看出：
1. 数据增益是关键的
2. 更多的默认框是有益的
3. holes算法能让速度更快~20%
在不同层上使用不同尺度大小的默认框是有益的。
