Single Shot MultiBox Detector
Introduction一句话概括：SSD就是关于类别的多尺度RPN网络
基本思路：
基础网络后接多层feature map
多层feature map分别对应不同尺度的固定anchor
回归所有anchor对应的class和bounding box
Model
输入：300x300
经过VGG-16（只到conv4_3这一层）
经过几层卷积，得到多层尺寸逐渐减小的feature map
每层feature map分别做3x3卷积，每个feature map cell(又称slide window)对应k个类别和4个bounding box offset，同时对应原图中6（或4）个anchor(又称default box)
38x38, 最后3x3, 1x1三个feature map的每个feature map cell只对应4个anchor，分别为宽高比: 1:1两种，1:2, 2:1两种，因此总共有 38 * 38 * 4 + 19 * 19 * 6 + 10 * 10 * 6 + 5 * 5 * 6 + 3 * 3 * 4 + 1 * 1 * 4 = 8732 个anchor
其他feature map的feature map cell对应6个anchor，分别为宽高比: 1:1两种，1:2, 2:1两种，1:3， 3:1两种
每层的feature map cell对应的anchor计算方法如下
位置：假设当前feature map cell是位于第i行，第j列，则anchor的中心为 ((i+0.5)/|fk|,(j+0.5)/|fk|), fk是第k层feature map的size（比如38）
缩放因子:
其中smin为0.2，smax为0.9，m为添加的feature map的层数，缩放因子就是为不同feature map选择不同的大小的anchor，要求小的feature map对应的anchor尽量大，因为越小的feature map，其feature map cell的感受野就越大
anchor宽高：
其中，ar∈{1,2,3,1/2,1/3}，可以理解为在缩放因子选择好anchor尺寸后，用ar来控制anchor形状，从而得到多尺度的各种anchor，当ar=1时，增加一种 sk=sqrt(sk-1sk+1)，于是每个feature map cell通常对应6种anchor。
网络的训练目标就是，回归各个anchor对应的类别和位置
Training 样本正样本
选择与bounding box jaccard overlap（两张图的交集/并集）大于0.5的anchor作为正样本
样本比例
Hard negative mining：由于负样本很多，需要去掉一部分负样本，先整图经过网络，根据每个anchor的最高类置信度进行排序，选择置信度靠前的样本，这样筛选出来的负样本也会更难识别，并且最终正负样本比例大概是1:3
还是一如既往的location loss + classification loss，并为location loss添加了系数α（然而实际上α=1）进行平衡，并在batch维度进行平均
x是xijp的集合xijp={1,0}，用于判断第i个anchor是否是第j个bounding box上的p类样本
c是cip的集合，cip是第i个anchor预测为第p类的概率
l是预测的bounding box集合
g是ground true bounding box集合
其中定位loss与faster rcnn相同
这个式子里的k不是很明确，其实想表达不算背景0类的意思，且前景类只为match的类算location loss
分类loss就是很常用的softmax交叉熵了
核心的内容到这里就讲完了，其实跟YOLO和faster rcnn也很像，是一个用anchor box充当固定的proposal的rpn，并且用多尺度的anchor来适应多种尺度和形状的目标对象。
Detail在训练中还用到了data augmentation（数据增强/扩充），每张图片多是由下列三种方法之一随机采样而来
使用整图
crop图片上的一部分，crop出来的min面积为0.1,0.3,0.5,0.7,0.9
完全随机地crop
然后这些图片会被resize到固定的大小，随机水平翻转，加入一些图像上的噪声，详情可以参考另一篇论文：
Some improvements on deep convolutional neural network based image classification
从切除实验中，可以看到data augmentaion是很重要的（从65.6到71.6）
