ssd网络结构简单说明

ssd是 one stage形式的多目标检测的网络，在每一层feature map上，对每个用于预测的p通道特征图，SSD的分类器全都使用了

3*3*p*(k*(c+4))卷积进行预测，其中k是每个单元放置的先验框的数量，c是预测的类别数,4是边界框的回归个数。

one stage 的形式是在一个网络中同时进行感兴趣区域的检测与分类，而不是分为两段式。

以yolo v1,v2,v3为代表，ssd。

ssd的结构类型：使用CNN网络输出每一层的feature map，然后对feature map上每一个像素点均生成k个anchors，这些anchors均匀对应着原图像上的一些区域。假设输出的特征图的尺寸为m*n，那么对每个像素点均有k（c+4）,其中c是类别数，包括前景与背景类别。而4是锚框的左上角与右下角的坐标。那么对于整个特征图来说，有m*n*k(c+4)个锚框的生成。

其中对于每个锚框使用IOU来进行类别标注与边界框参数标注。

注意IOU阈值提高引发的过拟合的现象，因为阈值的提高使得正样本的数量指数级的下降。

并且在inference的时候，没有正式的标签，那么无法进行IOU的判断，就将所有的锚框当作正样本输入到网络中，那么之前的锚框都是质量好的，这样会使得出现过拟合现象。