基于深度学习的对象检测时，我们主要分享以下三种主要的对象检测方法：
- Faster R-CNN(后期会来学习分享)
- 你只看一次（YOLO，最新版本YOLO3,后期我们会分享）
- 单发探测器（SSD，本节介绍，若你的电脑配置比较低，此方法比较适合）
R-CNN是使用深度学习进行物体检测的训练模型; 然而，这种技术很难理解,难以实施，并且难以训练。
如果我们只追求速度，那么我们倾向于使用YOLO，因为这个算法要快得多，但是识别物体位置精准性差，召回率低
R-CNN 与YOLO各有自己的优缺点，由谷歌开发的SSD是两者之间的平衡。
MobileNets：高效（深层）神经网络
在构建对象检测网络时，通常使用现有的网络架构，例如VGG或ResNet，然后在对象检测管道中使用它。问题是这些网络架构可能非常大，大约为200-500MB。
相反，我们可以使用MobileNets，Google在2017年提出的适用于手机端的神经网络模型。我们将这些网络称为“MobileNets”，因为它们专为资源受限的设备而设计。MobileNets与传统CNN的区别，主要使用了深度可分离卷积Depthwise Separable Convolution 将卷积核进行分解计算来减少计算量
引入了两个超参数减少参数量和计算量
宽度乘数（Width Multiplier）: [减少输入和输出的 channels ]
分辨率乘数（Resolution Multiplier）：[减少输入输出的 feature maps 的大小]
可以将一个标准卷积核分成一个深度卷积depthwise convolution 和 一个1X1的卷积（叫作逐点卷积pointwise convolution）。如下图所示
( 左）具有批量标准化和ReLU的标准卷积层。（右）深度可分的卷积与深度和点的层，批量标准化和ReLU
结合MobileNets和Single Shot Detectors，实现快速，高效的基于深度学习的物体检测
mobilenet_ssd caffe模型可视化地址：
http://ethereon.github.io/netscope/#/gist/5b1ffa5d22f6ac1f25f30fbd24a716be
conv13是骨干网络的最后一层，作者仿照VGG-SSD的结构，在Mobilenet的conv13后面添加了8个卷积层，然后总共抽取6层用作检测，貌似没有使用分辨率为38*38的层，可能是位置太靠前了吧。
提取默认框的6层为conv11, conv13, conv14_2, conv15_2, conv16_2, conv17_2,该6层feature map 每个cell产生的默认框个数分别为3，6，6，6，6，6。也就是说在那6层的后边接的用于坐标回归的3*3的卷积核（层名为conv11_mbox_loc……）的输出个数（num output）分别为12，24，24，24，24，24，24。
那6层后边接的用于类别得分的3*3卷积核（层名为conv11_mbox_conf……）的输出个数为3*21（类别为21类，3个默认框） = 63，126， 126， 126， 126， 126。
如果我们将MobileNet架构和SSD CAFFE框架结合起来，我们就可以实现快速，高效的基于深度学习的对象检测方法。
MobileNet SSD模型数据： COCO dataset
在图像中检测到20个对象（背景类为+1），包括飞机，自行车，鸟类，船，瓶，公共汽车，汽车，猫，椅子，奶牛，餐桌，狗，马，摩托车，人，盆栽植物，绵羊，沙发，火车和电视监视器。
使用OpenCV进行基于深度学习的对象检测