論文地址：https://arxiv.org/abs/1701.06659
Github 源碼（caffe版）：https://github.com/chengyangfu/caffe/tree/dssd
1、文章概述
DSSD(Deconvolutional Single Shot Detector)是SSD算法改進分支中最爲著名的一個，SSD的其他改進還包括RSSD（https://arxiv.org/abs/1705.09587）、FSSD（https://arxiv.org/abs/1512.02325）等。在VOC2007數據集上，513*513的輸入圖片上，DSSD的mAP值達到81.5%，但是fps只有6fps左右。
DSSD將SSD的VGG網絡用Resnet-101進行了替換，在分類迴歸之前引入了殘差模塊，在SSD添加的輔助卷積層後又添加了反捲積層形成“寬 - 窄 - 寬”的“沙漏”結構。DSSD相比SSD的一個最大的提升在於對小目標的檢測度上DSSD有了很大的提升，文章的最後部分也展示了小目標的檢測效果。即便如此，DSSD的檢測速度相比SSD慢了很多，其中很大一部分原因在於引入的Resnet-101太深。
DSSD網絡模型結構如下：
圖中藍色部分是基礎網絡結構後面多添加的幾層網絡結構，紅色部分是在SSD後面添加了反捲積層操作，但並非傳統的反捲積層，是利用了雙線性上採樣代替了反捲積層。紅色和藍色對應層的大小相同。
2、用resnet-101代替VGG
這麼做的目的是提高精度，畢竟Resnet-101比VGG的網絡更深，提取的特徵就有更高的語義信息，而且Resnet-101的分類精度確實比VGG的高。需要注意的是，在300*300的輸入圖像下，直接將VGG用Resnet-101替換，精度不升反降；在512*512的輸入圖像下測試，精度纔有略微提升。再加入了Prediction模塊和反捲積模塊後，精度纔有穩定提升。還需注意的是，在300*300的圖像上測試，用VGG的SSD有59的FPS,而用Resnet-101的DSSD的fps只有15，Resnet-101更深的網絡結構是fps顯著降低的原因。
3、Prediction Module
4、DM（Deconvolutional Module）模塊
5、DSSD關於default box的改進
針對PASCAL VOC2007和2012裏trainval的圖片，用k-means對長寬比例做了一個聚類分析，最終確定default box的長寬比例的阿爾法爲1、1.6、2和3；SSD的爲1、2、3。