SSD（Single Shot MultiBox Detector）系列算法属于one-stage算法；
SSD算法采用直接回归计算出目标类别和位置。处理对象为原始图像经过卷积之后的feature map。
与two-stage算法的区别是，不需要proposal box候选框的提取，即不需要RPN网络。
图1 one-stage系列算法框架
同时使用多尺度的feature map的预测，即将得到的feature map通过下采样（这里使用pooling来实现下采样），得到不同大小的feature map，每个feature map作为后续层（Prior Box层）的输入。如下图所示：
图2 SSD系列网络架构
Prior Box Layer（anchor机制）：
假设有m*n个cell（原始图像经过卷积之后的feature map上的每个像素---以其映射到原图中的坐标为中心点坐标，选K个box，也就是anchor，一般选取3个尺寸大小和3个比例值，k=9）
如上所述，假设每个feature map有m*n个cell，每个cell产生k个bounding box，每个bounding box预测c个类别score和4个offset，则该网络有(c+4)*k*m*n个输出。
其中，对于38*38的feature map，每个cell产生4个prior box，19*19的feature map，每个cell产生6个prior box……，如下：
一共产生：38*38*4+19*19*6+10*10*6+5*5*6+3*3*4+1*1*4 = 8732个prior box。
每个cell的k个default box，经过与GT（Ground truth）做IOU，当IOU大于正样本阈值时作为正样本，如果IOU小于负样本阈值将其作为负样本，其余中间的prior box将其忽略掉。
训练时需要确保prior box的分类准确，且尽可能回归到GT Box。
注意点：
难例挖掘
正负样本比为1:3
损失函数如下：
SSD算法对小目标不够鲁棒性，主要是因为浅层feature map的表征能力不强。------>DSSD网络
DSSD网络：
1、改变了主干网络：ResNet
2、使用了反卷积网络结构