针对不同大小的目标检测，传统的做法是先将图像转换成不同大小，然后分别检测，最后将结果综合起来，而SSD算法则利用不同卷积层的feature map进行综合也能达到同样的效果。
对于不同的卷积层，会把图像分割成不一样的feature map，对于每一个feature map cell都有一系列default box，假设每个feature map cell有k个default box，对于每个default box都需要预测c个类别score和4个offset，那么如果有一个feature map的大小是m*n，也就是有m*n个feature map cell，那么这个feature map就一共有(c+4)*k*m*n个输出，其中score表示预测框是某种类别的得分，offset是预测框针对实际物体的偏移。
关于这里的feature map，你最开始的理解是错误的，你最开始理解为，对于640*640的输入图像(你的华为相机项目里面输入图像是640*640)，我们在第一层是把640*640分成了159*159个小格子，每个小格子是4*4，然后在这159*159个小格子上面分别生成默认框，但是实际上不是的，实际上是我们在经过第一次处理把原始的640*640的输入图像提取成159*159的大小，然后针对159*159大小的图像，我们会有159*159个中心点，然后在每个中心点上生成默认框。然后我们再经过第二次处理把特征图提取成了79*79的大小，然后再79*79个中心点上去生成默认框，也就是说我们的输入图像是越来越小的，并不是你之前理解的图像一直是640*640然后分别分成159*159 79*79.
那么default box的scale(大小)和aspect ratio(横纵比)要怎么确定呢，假设我们用m个feature maps做预测，那么对于每个feature map而言，其default box的scale是按以下公式计算的额。
关于默认框的大小，论文里面计算的时候，Smin默认值是0.2，Smax默认值是0.9(这里的0.2 0.9在实际使用的时候是可以修改的，不一定非取0.2 0.9)，第一个特征图不参与这个公式的计算，直接用输入图像的大小*0.1,论文中默认的大小是300*300的，所以第一个标准框的大小就是300*0.1=30，然后从第二个特征图开始用这个公式计算，K是1到m，m就是有几个特征图，但是我们华为相机项目里面用到的并不是根据公式计算出来的，而是算法同事给的经验值。
SSD中的softmax层
神经网络的最后一层往往是全连接层+softmax(分类网络)
detection out layer：SSD网络的最后一层，用于整合预选框，预选框偏移以及得分三项结果，最终输出满足条件的目标检测框，目标的label和得分。