SSD和YOLO一样都是采用一个CNN网络来进行检测，但是却采用多尺度的特征图，基本架构如下所示，下面将从SSD核心设计理念总结为一下三点：
（1）采用多尺度特征图用于检测 所谓多尺度即采用大小不同的特征图，CNN网络一般前面的特征图比较大，后面会逐渐采用stride=2的卷积或者pool来降低特征图大小，如上图所示，一个比较大的特征图和一个比较小的特征图，都用来检测，这样做的好处是比较大的特征图来检测相对较小的目标，而小的特征图负责检测大目标，如下图所示，8*8的特征图可以划分更多的单元，其每个单元的先验框尺度比较小。
（2）采用卷积进行检测 与YOLO最后采用全连接层不同，SSD直接采用卷积对不同的特征图进行提取检测结果。对于形状m × n × p的特征图，只需要采用3 × 3 × p这样笔记哦啊小的卷积核得到检测值。
（3）设置先验框
在YOLO中，每个单元预测多个边界框，但是其都是相对这个单元本身（正方块），但是真是目标的形状是多变的，YOLO需要在训练过程中自适应目标的形状。SSD借鉴了Faster R-CNN中anchor的理念，每个单元设置尺度或者长宽比不同的先验框，预测的边界框（bounding boxes）是以这些先验框为基准的，在一定程度上减少训练难度。一般情况下，每个单元会设置多个先验框，其尺度和长宽比存在差异，如下图所示，每个单元使用了4个不同的先验框，图片中猫和狗分别采用最适合它们形状的先验框来进行训练。
SSD的检测与YOLO不太一样，对于每个单元的先验框，都能输出一套独立的检测值，对应一个边界框，主要分为两个部分。第一部分是各个类别的置信度或者评分，值得注意的是SSD将背景也当作一个特殊的类别，如果检测目标共有c个类别，SSD其实需要预测c + 1 个置信度值，其中第一个置信度指的是不含目标或者属于背景的评分。在预测过程中，置信度最高的那个类别就是边界框所属的类别，特别地，当第一个置信度最高时，表示边界框中并不包含目标。第二部分就是边界框location，包含4个值（cx,cy,w,h),分别表示边界框的中心坐标以及宽高，但是真实预测值其实只是边界框相对于先验框的转换值。
SSD采用VGG作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图用于检测。SSD的网络结构如下图所示，上图是SSD模型，下面是YOLO模型，可以明显看到SSD利用了多适度的特征图做检测。
