单阶多层检测器SSD(二)难点理解更新
现在难点在于：
问题一
1.SSD最后的预测结果是怎么画到图上的，回归的时候是让prior box和gt做损失得到prior
box就是检测结果吗？如果不是从已有的anchor中得到检测结果的话，是重新得到了一个box吗？
（1）这个问题来源于深度学习笔记（七）SSD 论文阅读笔记简化
作者回复：回归目标不是 GT, 而是
GT - prior box，这么理解吧：（预测的 box + prior box) = 检测框
并没有理解作者的意思，还需要进一步学习。
其中作者提到，真实预测值其实只是边界框相对于先验框的转换值。如下图所示，从这篇文章中可以得出，先验框指的应该是prior box,预测框是一个prior box有offset的框。那么，为什么要设置prior,这个offset又是如何预测出来的？这里具体参考的应该是code\SSD_pytorch-master\layers\functions\detection.py
（2）参考书中写明的是SSD是在一阶网络的基础上使用固定框进行区域生成，在Faster rcnn中我理解的区域生成是先生成区域，然后再在ROI中画框去回归。那么ssd的固定框就是最后目标的检测框吗？还是也是以此为范围二次画框呢？
这里纠结的点属于SSD的预测过程。也就是detection部分
在预测部分，参考目标检测|SSD原理与实现
预测过程比较简单，1.对于每个预测框，首先根据类别置信度确定其类别（置信度最大者）与置信度值，并过滤掉属于背景的预测框。然后根据置信度阈值（如thresh=0.5）过滤掉阈值较低的预测框。对于留下的预测框进行解码(decode)，根据先验框(感觉这里的先验框是指的gt)得到其真实的位置参数（解码后一般还需要做clip，防止预测框位置超出图片）。解码之后，一般需要根据置信度进行降序排列，然后仅保留top-k（如400）个预测框。最后就是进行NMS算法，过滤掉那些重叠度较大的预测框。最后剩余的预测框就是检测结果了
问题二
2.反向传播loss的意义在哪里，为什么loss会在训练中降低呢？
也是上面那篇文章，作者提到了在训练过程中的 prior boxes 和 ground truth boxes 的匹配，基本思路是：让每一个 prior box
回归并且到 ground truth box，这个过程的调控我们需要损失层的帮助，他会计算真实值和预测值之间的误差，从而指导学习的走向。
目前对问题一的理解
SSD中使用anchor是一个先验，对每个anchor赋予一个类别标签和偏移值（相对于gt的），然后通过loss去更正，得到anchor预测标签和预测偏移量，最后在这些anchor中用NMS选择
文章anchor与anchor box理解写的很好，问题一的存在主要还是对anchor理解的不深刻。
在所有的目标检测算法中，检测图片时如何在图片上画框还是要仔细学习。