SSD（single shot multi-box detector）
1. 简介
SSD是一种单阶段目标检测方法，如下图所示目标检测方法。
单阶段和双阶段的区别：
- 双阶段第一阶段， 主要是找出目标物体出现的位置，初步得到建议框，这一部分时间花费较长；双阶段第二阶段， 对建议框，进行精确位置回归，和物体的分类。
- 单阶段：不需要建议框，直接进行类别概率和位置坐标值的回归。
因此双阶段的优缺点就是位置更准确，准确率更高；但是时间更久。
单阶段的优缺点就是速度快，但是精确率会有损失。
2. 模型结构
原来的图更突出（上），我重新画了一个图（下），为了突出网络结构内容。
backbone
（1）位置
backbone就是背脊的意思，就是上图红框标出的部分。
（2）作用
这一部分的作用就是提取特征，后面预测框位置回归和分类回归，都是基于这一部分提取的特征进行的。
（3）详细信息（以VGG16为例）
这一部分其实就是一个深度卷积神经网络。原始的SSD是以VGG16的conv4_3层输出到预测部分，然后把conv5_3层特征图层输出到下一层。
neck
（1）位置
提取特征输出到预测部分之间的部分均可称为Neck。
（2）作用
主要是对提取的特征进行二次加工再给预测部分。这里说的二次加工，如FPN、PAN、深浅层特征融合等。
(3)详细信息
SSD在这一部分主要是对backbone输出的特征进行下采样（1×1的卷积对通道进行压缩，步长为2的3×3卷积进行下采样，相比maxpooling保留更多细节信息），并将各个下采样的特征图层输入到预测部分。
head
（1）位置
head就是最终的预测部分，输出预测结果。
（2）过程
- 对于每个预测框，首先根据置信度确定类别，并去除类别是背景的框；
- 去除类别置信度低于阈值（自己设定，如0.6）的框；
- 对剩下的预测框进行解码。根据预测的偏置（回归的是位置偏置，不是位置）与先验框位置大小得到位置参数（做clip，防止预测框位置超出图片）；
- 对预测框根据置信度进行排列，保留前k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；
- 剩余的预测框就是检测结果。
（3）详细信息
直接对位置偏执和类别置信度进行回归，这就需要卷积出来的特征图层满足大小为 n×n×(a×(4+k))
- n×n就是特征图层每个通道上的大小，因为是以每个像素为锚框进行先验框的标定；
- (a×(4+k))就是通道量：
（1）a就是预测框的数量；
（2）4就是各个偏置 (x,y,w,h)；
（3）k就是需要预测的类别数量；