详细解析： https://blog.csdn.net/ytusdc/article/details/86577939
一、SSD网络结构
图1 SSD网络架构（精简版)
图2 SSD网络架构（细节版）
图3 VGG16网络架构
输入图像必须为300x300的，之后进入VGG16Conv5_3之前的全部网络结构
SSD采用VGG16作为基础模型，并且做了以下修改，如图1所示
- 分别将VGG16的全连接层FC6和FC7转换成 3x3 的卷积层 Conv6和 1x1 的卷积层Conv7
- 去掉所有的Dropout层和FC8层
- 同时将池化层pool5由原来的 stride=2 的 2x2 变成stride=1的 3x3 （猜想是不想reduce特征图大小）
- 添加了Atrous算法（hole算法），目的获得更加密集的得分映射
- 然后在VGG16的基础上新增了卷积层来获得更多的特征图以用于检测
算法细节
1、多尺度特征映射
图4 单层feature map预测和多层特征金字塔预测对比
如图4所示，左边的方法针对输入的图片获取不同尺度的特征映射，但是在预测阶段仅仅使用了最后一层的特征映射；而SSD（右图）不仅获得不同尺度的特征映射，同时在不同的特征映射上面进行预测，它在增加运算量的同时可能会提高检测的精度，因为它具有更多的可能性。
图5 SSD与Faster-rcnn比较
预测的过程
c表示识别多少个类别，一个default boxs有c个类别加上一个背景识别，有背景得分和物体识别得分。4表示边界框回归参数(x,y,w,h)
Faster RCNN存在的问题
- 对小目标检测效果很差
- 模型大，检测速度较慢
如图5所示，对于BB（bounding boxes）的生成，Faster-rcnn和SSD有不同的策略，但是都是为了同一个目的，产生不同尺度，不同形状的BB，用来检测物体。对于Faster-rcnn而言，其在特定层的Feature map上面的每一点生成9个预定义好的BB，然后进行回归和分类操作来进行初步检测，然后进行ROI Pooling和检测获得相应的BB；而SSD则在不同的特征层的feature map上的每个点同时获取6个（有的层是4个）不同的BB，然后将这些BB结合起来，最后经过NMS处理获得最后的BB。