参考文档

1. 深度学习目标检测从入门到精通：第一篇
2. 使用SSD进行目标检测：目标检测第二篇
3. https://zhuanlan.zhihu.com/p/24954433 SSD架构理解
4. https://www.zhihu.com/question/58200555 smooth L1和L2的区别

目标检测模型的输出为：

1. 边界框坐标(xyhw)

2. 类概率(包含一个表示背景的附加标签，因为图像中的许多位置不对应任何对象)

default box/anchor(默认框/锚框)：

分类网络输出中直接表示的框称为默认框/锚框，默认框的位置和大小取决于网络结构

基础概念

1. Bounding box proposal：提交边界框
2. Intersection over Union：重叠联合比，又称 IoU，Jaccard 相似度
3. Non Maxium Suppression：非最大抑制
4. 边界框回归：边界框微调
5. ground truth box：真实边界框
6. ground true category：真实类别
7. (Default)Prior box：默认框、锚定框
8. 框匹配策略
9. 负样本挖掘

Default box

数据增广

目标函数

SSD的目标函数和其他常见的Object Detection方法相同，分成两个部分：

• 目标类别置信度，采用Softmax Loss(即交叉熵)
• 位置回归，采用Smooth L1 Loss