目标检测：SSD和DSSD算法的对比分析

1：SSD

SSD算法的提出解决了fasterRCNN中只能在一层特征map上预测目标的问题，SSD可以在不同的特征map上来预测不同的目标大小，更加具有针对性，提升了目标的检出率，做了很多的数据增强，提升也比较大；缺点也比较明显，不同的anchors设置比较的麻烦，

2：DSSD

论文的核心思想，也就是如何利用中间层的上下文信息。方法就是把红色层做反卷积操作，使其和上一级蓝色层尺度相同，再把二者融合在一起，得到的新的红色层用来做预测。如此反复，仍然形成多尺度检测框架。在图中越往后的红色层分辨率越高，而且包含的上下文信息越丰富，综合在一起，使得检测精度得以提升；其二就是提出了自己的预测模块，结果表明，增加残差预测模块后，高分辨率图片的检测精度比原始SSD提升明显。

反卷积模块：

其一，在每个卷积层后添加批归一化层；其二，使用基于学习的反卷积层而不是简单地双线性上采样；其三，作者测试了不同的结合方式，元素求和（element-wise sum）与元素点积（element-wise product）方式，实验证明点积计算能得到更好的精度。