ssd這篇感覺很工程，主要的工作我覺得有兩個：

1.從多層fm上提取bbox，相當於一個multi scale的操作。值得注意的是，首先越靠近bottom越底層的fm在細節表達上做得越好，高層的fm會學習出分類這種概括性的表達，原文中加上最高層的bbox甚至會比去掉這一層效果更差（當然可能是噪聲）；其次在fm上的bbox並不是嚴格去對應原圖上的reception filed（再加上後面data augmentation工作，我的理解是目標框並不需要一個嚴格的標註標準比如嚴格相切之類），對應的關係有公式給出：

sk是第k層（原文總共有6層）提取bbox的fm與原圖的尺度比例，這裡smin=0.2，smax=0.9，這個定義涉及到default bbox的對應區域，是一個開放性的問題，可以根據自己的實際需求去重新定義。然後對於

2.取消了proposal，這也是ssd速度極大提升的原因。為什麼效果還這麼好有待進一步探究。

還有一些值得一提的工程工作：

1.predictor for detection：在6層fm上提取bbox，對於每一層來說，要分別過一個出loc的卷積層和出conf的卷積層（conv4_3要先過norm層），然後資料排序拼接之後進入multiboxloss層

2.loss的計算

總loss，其中阿爾法交叉驗證後取1

3.data augmentation：

在原圖上隨機取patch，大小是0.1到1原圖大小，ratio是1/2到2，保留patch和gt box的overlap且gtbox中心點在這一部分中的。（這一部分解釋有待再去參考程式碼）

4.檢測小目標效果不好的情況：可以通過輸入更低層fm和調整default bbox對應關係來改善。