SSD(Single Shot MultiBox Detector)是ECCV2016的一篇文章，属于one - stage套路。在保证了精度的同时，又提高了检测速度，相比当时的Yolo和Faster R-CNN是最好的目标检测算法了，可以达到实时检测的要求。在Titan X上，SSD在VOC2007数据集上的mAP值为74.3%，检测速度为59fps。
SSD效果好主要有三点原因：
1.多尺度
2.设置了多种宽高比的default box(anchor box)
3.数据增强
下面对这几点分别进行分析：
１．多尺度
ＳＳＤ架构如下：
采用VGG16的基础网络结构，使用前面的五个CONV层作为特征提取，然后利用astrous 算法将FC6和FC7转化成CONV6和CONV7层。再增加3个卷积层，和一个average pool层。由SSD的网络结构可以看出，SSD使用6个不同特征图检测不同尺度的目标。低层预测小目标，高层预测大目标。
从上面的表格可以看出，采用6个特征图检测的时候，mAP为74.3%,如果只采用conv7做检测，mAP只有62.4%。
２．多种宽高比的default box
在特征图的每个像素点处，生成不同宽高比的default box(anchor box),论文中设置的宽高比为{1,2,3,1/2,1/3}。假设每个像素点有k个default box，需要对每个default box进行分类和回归，其中用于分类的卷积核个数为c*k(c表示类别数)，回归的卷积核个数为4*k。
3.数据增强
SSD中使用了两种数据增强的方式:
1.放大操作: 随机crop，patch与任意一个目标的IOU为0.1,0.3,0.5,0.7,0.9，每个patch的大小为原图大小的[0.1,1],宽高比在1/2到2之间。能够生成更多的尺度较大的目标 2.缩小操作: 首先创建16倍原图大小的画布，然后将原图放置其中，然后随机crop，能够生成更多尺度较小的目标.
SSD对小目标的检测效果一般
1 增大输入尺寸
２使用更低的特征图做检测
３ 设置default box的大小，让default box能够更好的匹配实际的有效感受野
参考链接：
https://blog.csdn.net/qianqing13579/article/details/82106664
https://blog.csdn.net/u011974639/article/details/78244674
https://blog.csdn.net/zj15939317693/article/details/80596870
