ssd发布于ECCV2016 ，是一个非常经典的one-stage网络。

网络结构

 上图为SSD的网络结构。输入图像，将其缩放到300*300，然后经过特征提取网络VGG16（贯穿到Conv5的第三层）。后续经过一系列的操作得到6个预测特征层。浅层提取的特征用来检测小目标，随着网络的加深语意信息不断增强，深层网络用来预测大的目标。这样就实现了在不同尺度上去匹配对应的目标，后来的YOLO也是这个思想。

Default Box的scale以及aspect设定

对于aspect，conv4_2，conv10_2，conv11_2使用四个default boxes，对于其它的采用6个default boxes。里面的（1,2，.5）分别代表1：1, 2：1, 1:2

 上图所示，标出来的采用4个特征层，其他的采用6个特征层。

对于scale，原文中提到，每一个尺度会加一个以为scale比例为1:1的default boxes，对于第一行，21就是，45就是。可以发现上一行的就是下一行的。所以我们对于一个预测层的default boxes就是21（1,2，.5）+一共四个default boxes。

这样每张图会产生8732个default boxes，会把整个图像给覆盖。

 Predictor的实现

对于我们的高和宽为m*n的维度为p的预测特征层，直接使用卷积核大小为3*3的p个卷积核进行预测。生成概率分数和default box的坐标偏移量。

对于每张图的生成的k个box我们会生成c个类别概率和4个边界框偏移参数所以我们会使用k（c+4）个卷积核。对于m*n的特征图而言就会生成（c+4）kmn输出值。

（c+4）k=c*k + 4*k（其中c*k个类别预测分数，4*k边界框偏移参数）（这里的c包括背景）

正负样本的选取

正样本的选取：1。IOU值最大的        2。与任意一个GT IOU值大于0.5的

负样本的选取：对剩下的负样本去计算confidence loss（confidence loss越大网络把它看成正样本的概率就越大）选取排在前面的负样本 正负样本的数量之比为1:3

损失的计算

 其中N为匹配到正样本个数，α为1