1、SSH单阶人脸段检测器，在不同层检测不同scale的人脸，而不是使用mtcnn中金字塔的方式，从而实现加速。
2、SSH的整体结构，3个module的stride分别为8,16,32，使用不同的感受野，从而实现多尺度；三个Module独立训练、检测，
最终结果NMS。
3、检测模块和上下文模块。在context-module中，使用5*5和7*7的卷积增大感受野，又分别用2个和3个 3*3代替5*5和7*7。
4、训练与测试
训练时，三个分支独立训练，各自的loss独立，每个Module匹配对应尺度的anchor，并将对应尺度的Loss回传；
anchor的尺度为{1:2，4:8, 16:32}×16
使用OHEM效果会更好：选择得分最高的负样本和得分最低的正样本（难分的样本）
在训练阶段，每个module产生256个anchor，而在测试阶段，每个module产生1000个anchors
在对比试验中，有一个比较有趣。作者使用了更多尺度的anchor，S 1 = {0.25, 0.5, 1, 2, 3}, S 2 = {4, 6, 8, 10, 12}, S 3 =
{16, 20, 24, 28, 32}，但发现ap变低了，因为产生了更多的false postive。
5、对比
SSD、SSH、SNIP都用到了多尺度训练，那么他们的区别呢（主要是训练时anchor与gt的匹配）？
SSD：每个layer会生成各个尺度的anchor，并且与各个gt匹配，loss反传时，只更新该anchor的layer；
SSH：每个分支匹配特定范围的anchor（通过设计anchor的大小尺度来实现，不需要特殊层），只更新anchor所处分支的loss；
SNIP：把图像缩放成图像金字塔后，只处理每个金字塔图像里的特定尺度的proposal
参考：https://zhuanlan.zhihu.com/p/37715872