revise multiscale

chapter_computer-vision/multiscale-object-detection.md

@@ -60,9 +60,9 @@ display_anchors(fmap_w=1, fmap_h=1, s=[0.8])
 因此，我们可以将特征图在相同空间位置的$c_i$个单元变换为以该位置为中心生成的$a$个锚框的类别和偏移量。
 不难发现，本质上，我们用输入图像在某个感受野区域内的信息来预测输入图像上与该区域相近的锚框的类别和偏移量。
 
-
 当不同层的特征图在输入图像上分别拥有不同大小的感受野时，它们将分别用来检测不同大小的目标。例如，我们可以通过设计网络，令较接近输出层的特征图中每个单元拥有更广阔的感受野，从而检测输入图像中更大尺寸的目标。
 
+我们将在后面的小节具体实现一个多尺度目标检测的模型。
 
 
 ## 小结

chapter_computer-vision/ssd.md

 # 单发多框检测（SSD）
 
-我们在前几节分别介绍了边界框、锚框、数据集等背景知识，下面我们来构造一个目标检测模型：单发多框检测（single shot multibox detection，简称SSD）[1]。它简单、快速，并得到了广泛使用。该模型的一些设计思想和实现细节常适用于其他目标检测模型。
+我们在前几节分别介绍了边界框、锚框、多尺度目标检测、数据集等背景知识，下面我们来构造一个目标检测模型：单发多框检测（single shot multibox detection，简称SSD）[1]。它简单、快速，并得到了广泛使用。该模型的一些设计思想和实现细节常适用于其他目标检测模型。
 
 ```{.python .input}
 import sys