Anchors in SSD

SSD预测bbox的做法本质与RPN相同，只不过它在多个layer上进行了预测，以更好的在多尺度上检测物体。

在多层上预测bbox

原始的SSD300在以下Layer上预测：

      conv4 ==> 38 x 38
      conv7 ==> 19 x 19
      conv8 ==> 10 x 10
      conv9 ==> 5 x 5
      conv10 ==> 3 x 3
      conv11 ==> 1 x 1

后面的数字是这个layer输出的feature map的大小。
SSD512：

      conv4 ==> 64 x 64
      conv7 ==> 32 x 32
      conv8 ==> 16 x 16
      conv9 ==> 8 x 8
      conv10 ==> 4 x 4
      conv11 ==> 2 x 2
      conv12 ==> 1 x 1

也可以根据实际情况自己决定在哪几层上预测。

Size of reference box

以SSD512为例。
如同RPN一样， 每一层都有一个特定大小的refercence box， 根据它计算出各自的default boxes(anchors)。Reference box是一个正方形的box，大小由scale参数决定， 作者使用的计算方式为：

其中:$m$为负责预测的layer数量，$s_{min}= 0.2, s_{max}=0.95$, 意思是最低的一层(conv4)的Reference box的$w_{bbox} = s_{min}$. 最高一层类似。
训练时，输入的图片都被reshape到512*512，这样的话，conv4上的Reference box就是一个实际边长为512*0.2=102的正方形。

Aspect Ratios for default boxes

得到一个Layer上的Reference box后， 根据这个Layer配置的aspect ratio，可以得到多个不同aspect ratio的default box（也叫anchor）。
以以下参数为例说明anchor的计算方式：

• size = 0.2 * 512 = 102.4, size of reference box
• aspect_ratio = [2]
• feat_shape=[8, 8]
• img_shape = [512, 512] #[h, w]
  第i个anchor的w, h为：

s = aspect_ratio[i];
w = size / img_shape[1] * np.sqrt(s)
h = size / img_shape[0] / np.sqrt(s)

$w, h$现在都是0到1之间的相对值。 在coding时， 到这一步已经足够了。下面分析得到的anchor它的真实aspect ratio。
先计算w, h的绝对长度：

w = w * img_shape[1]
h = h * img_shape[0]

它的真实aspect ratio为：

$$\frac wh = \frac{size/W_{img} * \sqrt s * W_{img}}{size / H_{img} / \sqrt s * H_{img}} = s$$

所以， 无论是在训练时：$H_{img} ==W_{img}$， 还是在测试时： $H_{img}$一般不等于$W_{img}$，anchor的aspect ratio都是我们指定的aspect ratio。