DetectionOutput算子
本文基本結構：首先介紹detection output 這一層的基本理解，之后給出ssd所有代碼的詳細注釋，最后給出caffe中該層各個參數的定義和默認值。
detection out layer是ssd網絡最后一層，用於選框整合預、預選框偏移以及得分三項結果，最終輸出滿足條件的目標檢測框、目標的label和得分。
輸入方面，mbox_priorbox是網絡各個priorbox層輸出concat后的結果（priorbox解析點這里），相當於把所有預選框放到一起；mbox_loc是在預選框的基礎上的偏移量；mbox_conf_flatten就是每個類別在各個框上的得分。
輸出大小為[1, 1, x, 7]，其中x是最后保留的框的個數，最后一維存放的數據為： [image_id, label, confidence, xmin, ymin, xmax, ymax]
計算思路：
1）對bottom層的location、confidence和priorbox進行解析，放到vector中
2）對每個priorbox進行解碼。所謂解碼其實就是整合輸入層。前面說到過了，輸出需要給出每個目標的檢測框，但是輸入是預選框和偏移量，這里要做的就是計算出最終的檢測框。解碼需要考慮priorbox編碼方式，共三種情況。
假設檢測框用b表示(存儲內容：b_xmin, b_ymin, b_xmax, b_ymax)，預選框用p表示(存儲內容：p_xmin, p_ymin, p_xmax, p_ymax)，偏移量用t表示(存儲內容：t_x, t_y, t_height, t_width)。
b和p的寬高分別用x和y的最大最小值減一下得到，中心點的值用最大最小值相加除以2得到。
那么在每種類型中，編碼公式分別為：
解碼時求取b的各個值就可以。如果需要添加variance的值，將t與variance相乘即可。
以center_size解碼方式為例：
據此分別計算出b_xmin, b_ymin, b_xmax, b_ymax即可。詳細可參見代碼
3） Non-Maximum Suppression非極大值抑制
檢測算法給出的box往往有很多，如下圖所示，多個檢測框其實框出的是一個目標，nms就是一個目標保留一個最優框。抑制的過程是一個迭代-遍歷-消除的過程。
給定處理前的集合：預選結合，處理后的集合keep集合
首先，將預選集合所有框按照得分高低進行排序，選中得分最高的框，從預選集合移出放到keep集合中；
接下來進行迭代：
*從當前預選集合移出得分最高的框，用它與keep集合每個框計算交並比：
*超過閾值說明二者重復很多，框住的應該是同一個東西，不放到keep集合中；
*如果與keep集合中每個框交並比都小於閾值，說明當前框框住的是一個新目標，應該放到keep中。
迭代下去，直到預選集合為空，那么keep集合中留下的就是檢出的所有目標的檢測框。
jaccard overlap
這里補充介紹一下ssd網絡中的jaccard overlap。
jaccard overlap其實就是交並比，簡單說起來就是兩個檢測框重合的面積（相交的部分）除以兩個檢測框並在一起的面積（面積之和減去重合部分），用公式表示為
J為0說明兩個框一點沒有重合，為1說明完全重合
4）按照輸出大小要求輸出結果
