背景
SSD算法在检测小目标时精度并不高，本文是在在SSD的基础上做出一些改进，引入卷积层，能综合上下文信息，提高模型性能。
理解
Q1：DSSD和SSD的区别有哪些？
(1)SSD是一层一层下采样，然后分别在这些feature map上进行预测；而DSSD则是在后面加入了很多的Deconvolution Module，通过逆卷积算法feature map上采样，然后与前面的feature map通过点积产生新的feature map，包含上下文的信息。
(2)除了逆卷积操作，DSSD还引入了新的Prediction Module，如下图，可以看到主要使用的还是ResNet的short cut思想。
Q2：为什么加入了Deconv层就能提高模型在小目标检测上的精度呢？
首先，我们都知道，随着Conv层加深，越往后feature map的分辨率越小，同时包含的语义信息越高。而小目标是在浅层检测的，因此feature map语义信息弱，分类不准也是正常的；
而文中通过Deconv层，将深层强语义的feature map放大，与浅层feature map结合，产生的新feature map语义也比浅层的强，分类自然更准一些。
总结
DSSD=Deconv+Predict Module+SSD