DSSD的理解

DSSD算法从名字上就可以看出来，是对SSD算法的改进。

1）初衷

首先这篇文章想解决的问题是SSD在小目标上不佳的表现，原来的SSD想要用浅层特征，也就是神经网络的最初几层来检测小目标，用神经网络的后几层，也就是语义特征来检测大目标。但是即使是做了这样的处理，由于浅层特征缺少语义信息仍旧在小目标上表现的不佳。在open image很多类别上，小目标的检测率都接近0，作者想要通过类似于fpn上采样的方法来解决ssd的这个问题，因此提出了DSSD算法。

2）Top Down的融合方法

TDM是先对whchannel 尺寸的图像上采样，之后跟前面层2w2hchannel做concat来融合高低层特征
FPN与TDM的不同之处在于，用broadcast add代替concat操作。
DSSD方法用反卷积代替上采样，令whchannel变为2w2hchannel，用broadcast product代替broadcast add和concat
并且DSSD与SSD的不同之处在于，原来是直接取6层特征做预测，现在会用反卷积和broadcast product做融合。

3）预测模型

与SSD不同的是，作者在反卷积模型后，分类任务之前加入了类似resnet的残差单元，改动之处在于前一层的feature不直接加下来，而是先经过1*1卷积。

4）模型训练

作者对pascal voc做聚类，得到了7类default box。另外用两阶段训练的方法训练DSSD，首先，用SSD初始化DSSD网络，冻结SSD网络参数，不添加预测模型，只训练反卷积模型。第二阶段，训练所有参数。