一.网络结构
通过上图与YOLO网络结构对比，可以发现SSD的主要特征：
(1）SSD采用卷积进行提取检测 YOLO采用全连接层
（2）SSD采用多尺度feature map进行检测 YOLO单尺度
（3）SSD每个单元采用多个先验框（defult box），预测的边界框以先验框为基准 YOLO直接每个单元预测多边界框
（3）同：端到端的one-stage方法，使用CNN提取特征
注：先验框
以下每个单元设置4个先验框
二.SSD流程：
1.模型输入size 300x300 (也可512x512，最后新增一个卷积层)
2.VGG16模型做为基础网络进行特征提取，借鉴DeepLab-LargeFOV,将VGG16全连接层fc6，fc7-->3x3conv6和1x1conv7
为配合以上变化，采用Atrous Algorithm,扩展卷积或带孔卷积，指数级扩大卷积视野，Conv6采用3x3，扩张率（dilation rate）=6。然后移除dropout层和fc8层。
3.从上图可以看到通过卷积后生成的feature map大小（38x38),(19x19),(10x10),(5x5),(3x3),(1x1)
4.然后对生成的feature map上的每个单元设置先验框，上图先验框个数8732=38x38x4+19x19x6+10x10x6+5x5x6+3x3x4+1x1x4
由于每个先验框都产生一个边界框，所以预测的边界框个数为8732，所以属于密集抽样
5.得到边界框后，在通过3x3卷积得到类别置信度和边界框位置。然后将这些数据丢到NMS，选出最合适的边框。
注：扩展卷积
3x3conv dilation rate=2 dilation rate=4
三.Train技术
1.先验框匹配
YOLO：Truth中心落在那个单元格，该单元格与IOUmax边界框负责预测
SSD：1。对于每个Truth找到一个IOUmax先验框匹配（匹配为正样本，不匹配负样本）
2。对于剩余未匹配先验框，如果IOU>阈值（eg.0.5）匹配，IOU<阈值不匹配
必须先满足第一条，才能执行第二条，即使IOU<阈值，因为必须保证每个Truth都有先验框
2.损失函数
3.数据扩增
扩增数据，提升性能：水平翻转，随机裁剪加颜色扭曲，随机采集块域（获取小目标训练样本）
四.预测过程
1.对于预测框，通过类别置信度和置信度过滤
2.对剩下的预测框进行解码
五 代码
SSD_tensorflow代码：https://github.com/balancap/SSD-tensorflow
详解：https://blog.csdn.net/qq1483661204/article/details/79776065
以上公式解释截图截取https://blog.csdn.net/xiaohu2022/article/details/79833786博客