经典神经网络 -- SSD : 设计原理与pytorch实现

原理

       ssd采用的是VGG16的特征提取，在vgg16中提取二个特征图，之后又通过额外的增加卷积操作再次提取四个特征图，一共6个特征图。 

       前半部分是vgg-16的架构，作者在vgg-16的层次上，将vgg-16后边两层的全连接层（fc6,fc7）变换为了卷积层，conv7之后的层则是作者自己添加的识别层。

       在conv4_3层，有一层Classifier层，使用一层（3,3,(4*（Classes+4）)）卷积进行卷积（Classes是识别的物体的种类数，代表的是每一个物体的得分，4为x，y，w，h坐标，乘号前边的4为default box的数量），这一层的卷积则是提取出feature map，不仅在conv4_3这有一层卷积，在Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2都有一层这样的卷积层，因此最后提取到6个feature map层。

       最后的 Detections：8732 per Class 具体的计算如下：

　　Conv4_3  得到的feature map大小为38*38：38*38*4 = 5776

　　Conv7      得到的feature map大小为19*19：19*19*6 = 2166

　　Conv8_2  得到的feature map大小为10*10