版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/shinetzh/article/details/85069080
文章目录
网络结构
改进点
相对于two-stage的目标检测方法faster R-CNN
- 去掉了检测框的提出和后面针对提出的不同的检测框进行特征采样的过程，提高了速度。但是借鉴了RPN（region proposal net）的过程。
- 在faster R-CNN中的RPN中采用滑动窗口的方法来得到region proposal，在SSD中采用和YOLO类似的方法，每一个特征图固定的每一块给出6个或者4个预选框（具体哪一个layer是6或者4可以参考论文）
相对于one-stage的目标检测方法YOLO
- 使用不同层的不同尺度的特征图学习检测框，解决YOLO的小物体检测效果不好的问题，提高了mAP。
- YOLO采用FC来得到检测框位置和检测框位置，而SSD采用卷积来计算得到检测框的位置以及检测框置信度，一个卷积核对整个特征图卷积可以得到一个检测框四个位置中的一个值，或者一个检测框属于某一个类别的置信度。例如一个特征图有mn块，一共有c个类别，那么需要的的卷积核的数量为mn*(4+c)。
不同改进点对模型的影响
SSD性能
