作為計算機視覺三大任務（圖像分類、目標檢測、圖像分割）之壹，目標檢測任務在於從圖像中定位並分類感興趣的物體。傳統視覺方案涉及霍夫變換、滑窗、特征提取、邊界檢測、模板匹配、哈爾特征、DPM、BoW、傳統機器學習（如隨機森林、AdaBoost）等技巧或方法。在卷積神經網絡的加持下，目標檢測任務在近些年裏有了長足的發展。其應用十分廣泛，比如在自動駕駛領域，目標檢測用於無人車檢測其他車輛、行人或者交通標誌牌等物體。
目標檢測的常用框架可以分為兩類，壹類是 two-stage/two-shot 的方法，其特點是將興趣區域檢測和分類分開進行，比較有代表性的是R-CNN，Fast R-CNN，Faster R-CNN；另壹類是 one-stage/one-shot 的方法，用壹個網絡同時進行興趣區域檢測和分類，以YOLO（v1,v2,v3）和SSD為代表。
Two-stage的方式面世比較早，由於需要將興趣區域檢測和分類分開進行，雖然精度比較高，但實時性比較差，不適合自動駕駛無人車輛感知等應用場景。因而此次我們主要介紹壹下SSD和YOLO系列框架。
SSD與2016年由W. Liu et al.在 SSD: Single Shot MultiBox Detector 壹文中提出。雖然比同年提出的YOLO（v1）稍晚，但是運行速度更快，同時更加精確。
SSD的框架在壹個基礎CNN網絡（作者使用VGG-16，但是也可以換成其他網絡）之上，添加了壹些額外的結構，從而使網絡具有以下特性：
用多尺度特征圖進行檢測
作者在VGG-16後面添加了壹些特征層，這些層的尺寸逐漸減小，允許我們在不同的尺度下進行預測。越是深層小的特征圖，用來預測越大的物體。
用卷積網絡進行預測
不同於YOLO的全連接層，對每個用於預測的 通道特征圖，SSD的分類器全都使用了 卷積進行預測，其中 是每個單元放置的先驗框的數量， 是預測的類別數。
設置先驗框
對於每壹個特征圖上的單元格，我們都放置壹系列先驗框。隨後對每壹個特征圖上的單元格對應的每壹個先驗框，我們預測先驗框的 維偏移量和每壹類的置信度。例如，對於壹個 的特征圖，若每壹個特征圖對應 個先驗框，同時需要預測的類別有 類，那輸出的大小為 。（具體體現在訓練過程中）
其中，若用 表示先驗框的中心位置和寬高， 表示預測框的中心位置和寬高，則實際預測的 維偏移量 是 分別是：
下圖是SSD的壹個框架，首先是壹個VGG-16卷積前5層，隨後級聯了壹系列卷積層，其中有6層分別通過了 卷積（或者最後壹層的平均池化）用於預測，得到了壹個 的輸出，隨後通過極大值抑制（NMS）獲得最終的結果。
圖中網絡用於檢測的特征圖有 個，大小依次為 ， ， ， ， ， ；這些特征圖每個單元所對應的預置先驗框分別有 , , , , , 個，所以網絡***預測了 個邊界框，（進行極大值抑制前）輸出的維度為 。
未完待續
參考：
chenxp2311的CSDN博客：論文閱讀：SSD: Single Shot MultiBox Detector
小小將的知乎專欄：目標檢測|SSD原理與實現
littleYii的CSDN博客：目標檢測論文閱讀：YOLOv1-YOLOv3（壹）
作者的其他相關文章：
圖像分割：全卷積神經網絡（FCN）詳解
PointNet：基於深度學習的3D點雲分類和分割模型 詳解
基於視覺的機器人室內定位