本文作者将当前表现最好的分类器Residual-101和SSD进行了结合，并为SSD+Residual-101添加了额外的降卷积层以引入大尺度的context用于提高目标检测的精度，尤其是小目标。DSSD又叫做deconvolutional single shot detector。虽然这两种贡献容易在高层上表达，但是简单的配置是不会成功的。相反，作者展示谨慎的添加额外的学习转换阶段，具体是一个在降采样中用于前馈链接的模块和一个新的输出模块，以实现这种新的方法并且未更进一步的研究提供一种潜在的方法。DSSD实现了当前最好的精度。

结构如下：

作者用Residual-101替代了VGG，并且为每个预测层添加了residual block。额外添加的降采样层成功的增加了特征图的分辨率。采用了hourglass module中的跳跃思想，虽然hourglass module中的编码和解码阶段都有同性质的图层，但是作者尽可能的降低了解码阶段的长度，以便于提高检测的速度。这种降卷积的模型是受到了Pinheiro等人的启发，他们认为这样的模块对于提炼的网络有着和更复杂的结构相同的精度，并且效率更高。

结论：作者对当前表现最好的目标检测框架添加了额外的上下文信息，尽管我们希望发现更高效的方法来结合从编码器和解码器中提取的特征，我们的模型在仍然在PASCAL voc 和COCO上实现了当前最好的检测精度。DSSD在小目标或者特殊的语义目标的检测上比之前的SSD更好。