FSSD设计原则
借鉴了FPN的思想，重构了一组pyramid feature map，使得算法的精度有了明显的提升，速度也没有太降
- 把网络中某些feature调整为同一size再contact，得到一个像素层，以此层为base layer来生成pyramid feature map
- Feature Fusion Module
在FSSD中主要包括了上采样层（黄色区域），就是讲feature map较小的层进行上采样来统一到同一尺寸，并通过contact对特征连接，最为后续SSD预测模块的输入。
RSSD设计原则： - rainbow concatenation方式（pooling加deconvolution）融合不同层的特征，在增加不同层之间feature map关系的同时也增加了不同层的feature map个数
- 这种融合方式不仅解决了传统SSD算法存在的重复框问题，同时一定程度上解决了small object的检测问题
作者并没有将VGG这样的主干网络换成ResNet，而是通过特征融合的方法提高SSD算法，虽然速度慢了些，但准确度明显提高。
可提高：主要是主干网络优化，再有就是提高检测层，可通过反卷积
SSD应用场景：
- 人脸检测与识别任务
- ADAS场景目标检测与识别（车、行人、非机动车）
- 通用物体检测与识别
- 自然场景下文本检测与识别
- 等等