今天是大概的概念，training等細節留到明天

VGG-16

SSD的架構是使用VGG-16

• 13個卷積層+3個全連接層+5個池化層
• 其卷基層均使用3x3的filter，使每層與前一層保持相同寬和高
• 池化層採用2x2，stride=2，池化後維持化前的½
• 多個小卷積比少個大卷積學習參數少，計算量少，訓練更快，加深深度
• SSD有對VGG-16稍作更改，例如有添加卷積層，在卷積層中使用空洞卷積

Single Shot MultiBox Detector (SSD)

• 它使用不同深度的卷積層預測不同大小的目標
• 每一卷積層由filters生成預測分數與偏移量
• 在SSD裡面，他會有多個default box
• 每個feature都要生成其關聯的default boxes的類別分數與偏移量
• 這邊提一下在其他模型中（如Faster RCNN）有使用到anchor box的概念，那麼它和SSD提到的default box有什麼不同
  • Faster RCNN 在特徵圖上預設一個anchor box，先進行初步修正與篩選，之後再進行分類與回歸
  • SSD 在多個特徵圖上預設 default box（多尺度），並直接在這些default box上進行分類與回歸（單階段）

參考資料

• https://arxiv.org/pdf/1512.02325.pdf
• https://medium.com/ching-i/single-shot-multibox-detector-ssd-%E8%AB%96%E6%96%87%E9%96%B1%E8%AE%80-1f2cc7a452e0
• https://medium.com/@x22413128/cnn%E5%AD%B8%E7%BF%92%E7%AD%86%E8%A8%98-vgg%E6%9E%B6%E6%A7%8B-f055ab3ec803
• 關於default boxes與anchor box那邊因為是幾個月前做的私人筆記當時沒有註記資料來源現在找不到了