Update 2021-05-06-SSD.md

Author: kimkj38

_posts/2021-05-06-SSD.md

@@ -108,11 +108,26 @@ Confidence Loss는 매칭된 박스와 매칭되지 않은 박스에 대한 두
 
 즉, bouding box가 매칭되어 x^p_ij=1인 경우에는 특정 객체이므로 해당하는 클래스에 속할 확률이 높도록, 반대로 x^p_ij=0인 경우에는 객체가 아닌 배경이므로
 배경클래스에 속할 확률이 높도록 학습하는 것이다. 
+  
+  
+## Hard Negative Minining
+SSD의 bounding box는 8000여개나 되지만 실질적으로 우리가 인식하고자 하는 객체의 수는 10개도 안 되는 경우가 다반사이므로 대부분의 box들은 background을 나타낸다.  
+따라서 background class에 대한 데이터만 과도하게 많은 **imbalance** 문제가 발생한다.  
+이를 해결하기 위해 SSD에서는 **loss가 높은**(background인데 background class라 판단하는 확률이 작은) 데이터만 sorting하여 **positive data의 3배**만 사용하는 기법을 쓴다.  
 
+## Results
+![image](https://user-images.githubusercontent.com/76815825/117329099-42f8d880-aecf-11eb-9089-787ee685d5cf.png)
+  
+결과 중에 눈에 띄었던 것은 **작은 물체에 대한 성능이 유독 떨어진다**는 것인데 추후에 나온 분석으로는 작은 물체는 첫 feature map에서 detect하기 때문이라 하고 이를 보완하기 위해 RetinaNet의 경우에는 
+왕복하는 방식을 통해 작은 물체에 대한 성능을 높였다고 한다.  
+  
+SSD에서는 image의 사이즈를 줄이고 남는 공간은 평균값을 채워넣는 Data Augmentation을 통해 작은 물체에 대한 성능을 약간 향상시켜주었다.
 
-
-
-
+## References
+- <https://www.youtube.com/watch?v=ej1ISEoAK5g>
+- <https://yeomko.tistory.com/20>
+- <https://taeu.github.io/paper/deeplearning-paper-ssd/>
+- <https://www.youtube.com/watch?v=MLDo1R5XKk4>