目标檢測系列：
目标檢測(object detection)系列（一） R-CNN：CNN目标檢測的開山之作
目标檢測(object detection)系列（二） SPP-Net：讓卷積計算可以共享
目标檢測(object detection)系列（三） Fast R-CNN：end-to-end的愉快訓練
目标檢測(object detection)系列（四） Faster R-CNN：有RPN的Fast R-CNN
目标檢測(object detection)系列（五） YOLO：目标檢測的另一種打開方式
目标檢測(object detection)系列（六） SSD：兼顧效率和準确性
目标檢測(object detection)系列（七） R-FCN：位置敏感的Faster R-CNN
目标檢測(object detection)系列（八） YOLOv2：更好，更快，更強
目标檢測(object detection)系列（九） YOLOv3：取百家所長成一家之言
目标檢測(object detection)系列（十） FPN：用特征金字塔引入多尺度
目标檢測(object detection)系列（十一） RetinaNet：one-stage檢測器巅峰之作
目标檢測(object detection)系列（十二） CornerNet：anchor free的開端
目标檢測(object detection)系列（十三） CenterNet：no Anchor，no NMS
目标檢測(object detection)系列（十四）FCOS：用圖像分割處理目标檢測
目标檢測擴充系列：
目标檢測(object detection)擴充系列（一） Selective Search：選擇性搜尋算法
目标檢測(object detection)擴充系列（二） OHEM：線上難例挖掘
目标檢測(object detection)擴充系列（三） Faster R-CNN，YOLO，SSD，YOLOv2，YOLOv3在損失函數上的差別
前言：兼顧效率和準确性
SDD出現之前，主流的CNN目标檢測模型分别是Faster R-CNN和YOLO，Faster R-CNN作為two-stage的代表，具有state of the art的準确性，但是速度偏慢，做不到實時。YOLO使得目标檢測任務one-stage就能完成，在效率上有了明顯改善，但是準确性上确差了很多。這就好比“人有悲歡離合，月有陰晴圓缺，此事古難全。”
但是就在這個時候，SDD出現了，一個兼顧了效率和準确性的網絡結構。因為它做到了比Faster R-CNN更準，同時又比YOLO更快的性能表現。
SSD的論文是《SSD: Single Shot MultiBox Detector》，下面我們就來看一下它具體是如何實作的。
YOLO實作
設計理念
- 從不同的卷積層中分别拉取分支進行檢測，不同的卷積層具有多種感受野和語義資訊
- 用卷積層代替全連接配接層和reshape層，用卷積核的數量控制輸出特征圖的通道數
- 借鑒Faster R-CNN，進入用先驗atchor box，并對每一個box都預測類别
網絡結構
