論文：《DSSD:Deconvolutional Single Shot Detector》
論文地址：https://arxiv.org/abs/1701.06659
1、背景
SSD算法在檢測小目標時精度並不高，本文是在在SSD的基礎上做出一些改進，引入卷積層，能綜合上下文信息，提高模型性能。
DSSD針對小目標魯棒性太差，提出了以下兩個貢獻：
1. 把SSD的基準網絡從VGG換成了Resnet-101，增強了特徵提取能力；
2. 使用反捲積層（deconvolution layer ）增加了大量上下文信息。
2、改進
DSSD將SSD的Vgg16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。
SSD與DSSD的網絡模型如下圖所示：
圖中的藍色部分是SSD在基礎網絡的基礎上添加的輔助層，紅色部分是DSSD在SSD的後面添加的反捲積層，紅色的反捲積層和藍色的卷積層對應尺度相同，融合後再送入上面的藍色框框的Prediction Module模塊進行分類迴歸。
3、DSSD和SSD的區別
3.1、Resnet-101替換VGG網絡
3.2、PM（Prediction Module）模塊
DSSD還引入了新的Prediction Module，如下圖，可以看到主要使用的還是ResNet的short cut思想。
左圖(a)是SSD中用於分類和迴歸用的結構，即在特徵圖上直接連接1*1的卷積，一個用來分類，一個用於迴歸。
圖（c）是文中用於分類和迴歸的最優結構。
圖（b）、圖（c）、圖（d）均是在SSD的基礎上將原有的結構改成Resnet模塊。
這麼做的目的是提取更深維度的特徵用於分類和迴歸。添加的位置在反捲積結構之後，分類和迴歸之前。
Eltw sum有兩種，一種點和、一種點積，最後實驗證明點積的效果最好。
3.3、DM（Deconvolutional Module）模塊
SSD是一層一層下采樣，然後分別在這些feature map上進行預測。
DSSD則是在後面加入了很多的Deconvolution Module，通過逆卷積算法feature map上採樣，然後與前面的feature map通過點積產生新的feature map，包含上下文的信息。
爲什麼加入了Deconv層就能提高模型在小目標檢測上的精度呢？
首先，我們都知道，隨着Conv層加深，越往後feature map的分辨率越小，同時包含的語義信息越高。而小目標是在淺層檢測的，因此feature map語義信息弱，分類不準也是正常的；
而文中通過Deconv層，將深層強語義的feature map放大，與淺層feature map結合，產生的新feature map語義也比淺層的強，分類自然更準一些。
4、總結
提高淺層的表徵能力，是可以提高類似檢測器對小目標的檢測能力。
DSSD=Deconv+Predict Module+SSD