SSD的特点：
- 无region proposal过程，在各个feature map上产生固定的default boxes;
- 网络结构端到端，可进行端到端的训练；
网络结构：
- base network: 截断的VGG16；
- 在其后添加6个extra layers(conv layers)：conv6, conv7, conv8_2, conv9_2, conv10_2, conv11_2；
检测过程：
- 样本图像输入(input image) ；
- 通过base network，生成特征图F1；
- 由F1依次通过各extra layers生成6个特征图Fv6, Fv7, Fv8_2, Fv9_2, Fv10_2, Fv11_2；
- 加上conv4_3生成的特征图Fv4_3，Fv7, Fv8_2, Fv9_2, Fv10_2, Fv11_2共6个特征图，用于生成检测框；
- 各特征图由相应3*3卷积核(conv11_2特征图分辨率为1*1，应当使用1*1卷积核)，基于固定预选框生成对应检测框，卷积核维度为[3, 3, (4/6)*(classes + 4)] (4/6：预选框个数，classes：总类别数，4：{x, y, w, h})；
- 根据参与生成检测框的各特征图分辨率，任意类别得到8732个检测框，经过NMS模块处理得到最终的检测结果；
训练过程：
- 损失函数：
损失函数由分类损失函数(confidence loss)和回归损失函数(location loss)加权构成；
分类损失函数为Softmax loss，
代表ith预选框与类别为p的jth标定框的匹配情况{0, 1}，针对所有样本计算；
回归损失函数为
损失函数，仅对正样本检测框计算；
- 策略 - 预选框匹配标定框：首先匹配与任一标定框IoU最高的预选框，其次匹配预选框中与标定框IoU高于0.5的，匹配到的框均为正样本；
- Hard negative mining：匹配后会得到少量的正样本预选框和大量的负样本预选框，进行分类任务训练时会严重偏向负样本，因此需要控制负样本数量，通过对样本的分类损失由高到低排序，按顺序选取损失值大的负样本使neg:pos = 3:1；
- 训练过程：base network由ImageNet预训练得到的模型初始化，对于输入的训练样本，通过卷积神经网络获得若干检测框，通过预选框匹配策略与Hard negative mining计算损失函数进行训练。
预选框尺寸及长宽比设置：
- 预选框设置仅存在于Fv4_3，Fv7, Fv8_2, Fv9_2, Fv10_2, Fv11_2共6张特征图；
- 特征图分辨率：由高到低；预选框所覆盖的范围：由小到大（对于固定的像素点预选框是固定的，但对于不同分辨率的特征图，预选框映射回原图的比例是在增大的）；
- 比例计算：
= 0.2，
= 0.9，m = 5(除去Fv4_3，Fv4_3对应比例为0.1)，长宽比设置：{1, 2, 1/2, 3, 1/3}，对于某一特征图，设其比例为
，则预选框基准边长
= width *
(width为图片宽，如：300*300)，对于长宽比为2的预选框，长为
，宽为
，对于长宽比为1的预选框，边长同样有两种：
,
；
个人理解，如有错误欢迎指正。