精度と速度に欠けるYOLO V2がSSDにあるべきであり、紙の同じ期間は、比較YOLO v1とRCNNシリーズは、SSDの両方の利点を生かして、小さな物体の検出でYOLOを補償するためのマルチスケールの参加を超えていYOLO v1の。主なポイントは、前記改善：
（1）マルチスケールのラージオブジェクトだけでなく、小さな物体の検出の両方を検出し、特徴マップの堅牢性を高める、精度が増加する;
（2）全体ヨロを用いては予測するために接続されたが、SSDは確保畳み込みスピード。。
ネットワークアーキテクチャ
1、VGG-16ベースのネットワーク、特徴抽出画像、および複数の畳み込み演算フォローアップは、異なるスケールで抽出されたマップを備えて、各特徴マップの予測された境界線を得るために、畳み込みを行い、それらを置きます一緒に、一緒にNMSこと。
各特徴マップは、コンボリューションは、本当に良い速いRCNNスライディングウィンドウから、だけでなく、YOLO回帰予測と異なるフレームを、予測されて取得するために2は、
3種類のスケールは、とき特徴マップを予測します異なるアンカーボックスサイズの
算出方法4、トレーニングプロセスは、予測対象ブロックRCNN一貫した損失関数はほぼ同じ高速R_CNNと同様です
概要
他の二つは、つまり、マルチスケールの特徴マップはありませんしながら、全体的なアイデアは、このよう、SSD YOLOに類似している問題を終了したいのですが、速くR_CNNと同様の機能の喪失など、トレーニングの設計上の精度、スピードと保証を確保します。。