深度学习SSD算法流程详解

SSD同样属于经典论文范畴，众多后续研究均以此为出发点，因此理解其整体流程具有重要意义。若在阅读过程中发现表述不当、存在疑问或难以理解之处，恳请予以指正。一旦获得新的认知，我将持续进行内容更新。

作为一项经典算法，SSD引发了大量后续研究工作，例如DSSD、RefineDet等。同时，由于其在运行速度方面的优势，在实际工程应用中采用SSD与YOLO的可能性相对更高。

一、网络结构：

上图展示了SSD与YOLO的网络架构，通过比较可以看出，SSD的优势在于其生成的default box具备多尺度特性。这一特点源于SSD所使用的feature map不仅来源于CNN输出的最后一层，还包括一些较浅层的feature map。因此，相较于YOLO v1，SSD在检测小目标时表现更优（因为小目标在经过高层卷积处理后其特征信息几乎完全丢失）。此外，由于SSD生成的多尺度default box更有可能匹配Ground Truth的位置，因此模型整体稳定性更强（YOLO所生成的bounding box数量较少，仅有98个，若这些框与GT距离较远，则线性回归修正bounding box的效果将不成立，在