1、概述
不同于对faster检测器的各个组件进行改进从而提升精度的一系列方法，ssd不对假设包围框进行像素或特征的重采样，而是直接进行默认框的类别预测和边框位置的预测，并且基于不同尺度的特征图进行不同尺度目标框的预测，这些设计特点使得低分辨率图片就能取得很好效果, 从而进一步提高速度。最终在voc2007数据集上取得速度与精度均超过yolo和faster的成绩。
2、SSD框架和训练方法
作者在文章中将ssd与yolo的框架进行了对比。与faster不同，他俩同属于one-stage方法，不需要经过候选框提取这一步骤，从而在速度上显著快于two-stage方法。同时，从框架对比图可以看出，一，相比于yolo，ssd直接采用3*3卷积核做检测，没有全连接层； 二，ssd提取了不同尺度特征图来做检测；三，ssd设计了和faster类似的先验框，从而根据纵横比进行显式的分离预测，提高位置预测的精度。
训练方法细节：
默认框的设计：
首先有一个概念，default box，是指在feature map的每个小格(cell)上都有一系列固定大小的box。作者对每一层feature map的scale取了不同的值，然后结合纵横比，计算出default box的宽高，设计的比较复杂，暂时没有想明白他为什么要这样设计。但其实这是个开放性问题，读者可以按照自己的想法和需求设计不同的default box，文章的设计方法具体如图：
算了一下conv4_3的默认框对应的原图大小，16*0.2~3个像素尺度，感觉很小，不知道是不是自己理解的不对。
正负样本的划分：
当默认框设计好了之后，需要对其进行打tag，文章里使用的划分策略是这样的：先是从groudtruth box出发给每个groudtruth box找到了最匹配的prior box放入候选正样本集，然后再从prior box出发为prior box集中寻找与groundtruth box满足IOU>0.5的一个IOU最大的prior box（如果有的话）放入候选正样本集，这样显然就增大了候选正样本集的数量，而剩余所有与gt没有匹配成功的默认框作为负样本集。
训练样本的选取：
一般情况下，正样本的数量相比于负样本要少得多，这会让训练难以收敛（但是后来出来的大神文Focal loss提出Single stage detector不好的原因完全在于：
极度不平衡的正负样本比例: anchor近似于sliding window的方式会使正负样本接近1000：1，而且绝大部分负样本都是easy example，这就导致下面一个问题：
gradient被easy example dominant的问题：往往这些easy example虽然loss很低，但由于数量众多，对于loss依旧有很大贡献，从而导致收敛到不够好的一个结果。（引自链接https://www.zhihu.com/question/63581984/answer/210832009）
本文采用OHEM方法，先将每一个物体位置上对应 predictions（prior boxes）loss 进行排序。 对于候选正样本集：选择最高的几个prior box与正样本集匹配(box索引同时存在于这两个集合里则匹配成功)，匹配不成功则删除这个正样本（因为这个正样本不在难例里已经很接近ground truth box了，不需要再训练了）；对于候选负样本集：选择最高的几个prior box与候选负样本集匹配，匹配成功则作为负样本，控制正负样本比例1：3。每迭代一次都要像这样重新sample。
数据增广：
每一张训练图像，随机的进行如下几种选择：
使用原始的图像
随机采样多个 patch(CropImage)，与物体之间最小的 jaccard overlap 为：0.1，0.3，0.5，0.7 与 0.9，采样的 patch 是原始图像大小比例是 [0.3，1.0]，aspect ratio 在 0.5 或 2。当 groundtruth box 的 中心（center）在采样的 patch 中且在采样的 patch中 groundtruth box面积大于0时，我们保留CropImage。
在这些采样步骤之后，每一个采样的 patch 被 resize 到固定的大小，并且以 0.5 的概率随机的 水平翻转（horizontally flipped，翻转不翻转看prototxt，默认不翻转）
损失函数：
损失函数=1/N *[分类的softmax损失 + 位置的smoothL1损失] (N是正样本数目)
思考：
了解和总结的ssd存在的一些问题：
1、对小物体检测recall提升不明显：一方面，可能是ssd的输入300*300确实比较小，相对来说524的输入就能提高一些；另一方面，这可能是ssd网络设计的问题，虽然利用了多feature map，低层特征的分辨率高，高层特征的感受野大，语义信息丰富，但在检测时并没有进行融合复用，导致低层检测可能语义信息不足。（FPN的提出）也可能是小样本能够匹配的正样本数目本身小，训练不充分。（不同意有人猜想数据增强部分是为了提升小目标检测率，因为crop之后，相对应是大尺度默认框得到了更充分地训练。）
2、采用OHEM的样本选择方法：focal loss指出one-stage方法的精度提升并非在于样本的不平衡，而OHEM方法直接忽略了其余负样本的训练。（Focal loss）
