参考博客：https://blog.csdn.net/jesse_mx/article/details/55212179?utm_source=itdadao&utm_medium=referral
1. 概述
改论文中，作者总的有两个贡献：
一，将原始的SSD中用到的骨干网络vgg-16换为resnet-101，目的是为了使特征提取能力更强；
二，检测网络中，在原有SSD后添加的几个层之后加入额外的反卷积层，目的是使网络可以提取到更丰富的上下文信息。
2. 网络模型
在此，详细讲解反卷积模块 。
正常情况下，反卷积模型在编码和解码阶段应该包含对称的层。但论文中作者并没有用到对称性，而是将反卷积模块设置的相对较浅，原因有两个：一，检测是视觉的基本任务，可能需要为下游任务提供信息。 因此速度很重要。设置对称的编码解码阶段导致时间翻倍。二，反卷积部分没有预训练模型，因为分类提供了一个完整的图像标签，而不是检测中的全局标签。如果模型从头开始学将导致对称编码解码浪费的时间更多。
具体的操作步骤如下：
首先，在每一个卷积层之后计入BN；
其次，使用反卷积层代替双线性插值；
最后，尝试使用点对点相加和点对点相乘。实验证明，点对点相乘精确度更高。
3. 实验
