解答：池化层有两种实现方式，最大值池化和平均值池化，他们都有一个缺点，会造成信息的明显丢失（相比于卷积实现池化的功能来说，改变滑动窗口的步长） 。
Res Unit（残差单元） ：表示将上一层的输出一分为二，一部分通过两个基础卷积模块得到输出，与另一部分进行求和，这样就能使得输出的残差不可能为 0，
从而有效的防止梯度消失或者梯度爆炸。
ResX ： 是由不同的 Res Unit 组成。
多尺寸输出：用到 2 个上采样，注意 Concat 和 Add 的区别。
上采样原理：以特征图相邻像素值来预测中间位置的像素值，然后以这个值插入到中间位置，实现特征图尺寸的翻倍。
Concat : 特征图张量的拼接，拼接后尺寸不变，深度改变。
Add ：特征图对应位置像素值的求和，求和后的尺寸和深度不发生改变。
输出
有三个输出，19 * 19 * 255，38 * 38 * 255，76 * 76 * 255
这三个输出有着怎样的物理含义 ？
解答：将输入图片网格化，网格化后的大小是 19 *19, 38 * 38，76 * 76，每个网格化后的小方格，也就是一个 grid cell，将要
预测 3 个 bounding box，每个 bounding box = 1 个置信度 + 4 个位置信息 + 类别总数（COCO 数据集就是 80）
为什么每个 grid cell 要预测 3 个 bounding box ？
解答：这样来理解，比如说，一个人站在一辆车的前面，从远处看，这个人和这辆车中心点是完全重合的，但是我们能够看清楚
人和车，但是如果中心点重合的对象超过 3 个，那么我们很有可能对第 4 个，第 5 个以及后面的对象就完全看不清楚了，
所以，这里的 3 表示对象中心点重叠的最大值。
bounding box 如此之多，如何确定最佳的 bounding box ?
解答：采用的 NMS（Non Maximum Suppression）非极大值抑制算法来去除重叠。
NMS 算法原理：> 将预测输出的 bounding boxes 放入到左边的列表中，以置信度来进行降序排列，找到置信度最大的 bounding box ，
比如说这里的 dog1，将 dog1 移出左边列表到右边列表中;
> 遍历左边列表，求出每个 bounding box 与 dog1 的交并比（IoU = Intersection over Union 两个框的交集/并集），
当然，要提前设定一个阈值（一般是 0.5），大于 0.5表示左边 bounding box 与 dog1 有高度的重叠，将这个 bounding box 去掉；
> 重复之前的操作，直至左边列表为空，右边列表得到的 bounding box 就是最佳的结果；
检测匹配问题，为什么 19 * 19 => 大对象 ？ 38 * 38 => 中等对象 ? 76 * 76 => 小对象 ?