SSD算法原理

Paper: https://arxiv.org/pdf/1512.02325.pdf

SSD用神经网络（VGG）提取多层feature map ，来实现对不同大小物体的检测。如下图所示：

We use the VGG-16 network as a base, but other networks should also produce good results.

Train:

损失函数=位置误差（locatization loss， loc）+alpha*置信度误差（confidence loss, conf）

其中：

1. 解决负样本过多的问题，仅保留损失函数最大的K个FPs，即只保留K个最像正阳本的背景。
2. 运用Data augmentation技术，提高鲁棒性。

Detect/Predict:

1. 对于每个预测框，根据类别置信度确定其类别（置信度最大者）与置信度值。
2. 根据置信度阈值（如0.5）过滤掉阈值较低的预测框。
3. 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）。
4. 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。
5. 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。

本文参考了下面两篇文章：

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

https://blog.csdn.net/remanented/article/details/79943418