SSD的loss中，不同類別的分類器是softmax，最終檢測目標的類別只能是一類。而在yolo-v3中，例如對於80類的coco資料集，對於類別進行判斷是80個logistic分類器，只要輸出大於設定的閾值，則都是物體的類別，物體同時可以屬於多類，例如一個物體同時是person和woman。

Backbone network。ssd原版的基礎網路就是VGG19，也可以用mobile-net、resnet等。yolo-v3的基礎網路是作者自己設計的darknet-53（因為具有53個卷積層），借鑑了resnet的shortcut層，根據作者的話，以更少的引數、更少的計算量實現了接近的效果。

Anchor box。ssd從faster-rcnn中吸收了這一思想，採用的是均勻地將不同尺寸的default box分配到不同尺度的feature map上。例如6個feature map的尺度，default box的大小從20%到90%的佔比，同時有aspect_ratios = [[2], [2, 3], [2, 3], [2, 3], [2], [2]] ，最終可以計算出不同default box大小。而yolo-v3延續了yolo-v2的方法：從coco資料集中對bouding box 的（width, height）進行聚類，作者聚出9類，每類中心點取出作為一個box_size, 將每三個box_size劃分給一個feature map。例如總共有10,13, 16,30, 33,23, 30,61, 62,45, 59,119, 116,90, 156,198, 373,326共9組w,h, 作者將後三個116,90, 156,198, 373,326作為13 * 13 的gird cell上的anchor box size。

圖片輸入。yolo-v3將輸入圖片對映到第一層feature map的固定比例是32。對於輸入為416 * 416的圖片，第一層feature map 大小為13 * 13。但是yolo-v3支援從300到600的所有32的倍數的輸入。例如輸入圖片為320 * 320，這樣第一層feature map就為10 * 10，在這樣的gird cell中同樣可以進行predict和match groudtruth。

Bounding Box 的預測方法。在不同的gird cell上，SSD預測出每個box相對於default box的位置偏移和寬高值。yolo-v3的作者覺得這樣剛開始訓練的時候，預測會很不穩定。因為位置偏移值在float的範圍內都有可能，出現一個很大的值的話，位置都超出圖片範圍了，都是完全無效的預測了。所以yolov3的作者對於這位置偏移值都再做一個sigmoid啟用，將範圍縮為0-1 。b_x和b_y的值在(cell_x_loc, cell_x_loc+1), (cell_y_loc, cell_y_loc+1)之間波動。

初步總結的SSD和yolo-v3之間的一些區別。
其中的一些概念還有待充分解釋。