本文从相关知识、主要贡献、SSD模型结构以及实验设计四个方面解读了SSD论文，并对其中的相关概念进行了分析。

作者提出了一种全卷积，一阶段目标检测网络，通过对每一个像素预测一个目标来解决目标检测问题（没有anchor，特征图上一个位置预测一个目标。anchor的办法是一个位置预测k个目标）。比起RetinaNet， SSD， YOLOV3， Faster RCNN等网络，FCOS不需要anchor，自然也不需要候选框。 通过消除anchor，FCOS避免了和ahor相关的复杂计算，比如在训练过程中要计算anchor和GT的IOU值。更重要的是，毕淼了和anchor相关的超参数，比如anchor的数目，比

SSD（SingleShotDetector）论文解读 一、相关背景 速率问题：在目标检测的速率上明显存在问题，此前最快的检测模型为Faster R-CNN（速率为每秒钟7帧） 二、主要贡献 提出了第一个基于目标检测的深度神经网络，不需要为回归框重新取样像素或特征，而且和之前的方法同样精确。 在检测速率和检测精度上有了较大的提高。 为了实现高精度检测，作者对于不同尺寸的特征图提出了不同的预测，通过各个方面的比例调整明确分离了这些预测。 三、模型结构 作者此处把VGG-16作为一个基础网络，然后对