目标检测SSD

SSD的模型结构

SSD采用多个卷积层的输出来做分类和位置回归。
SSD采用VGG16作为backbone，然后从Conv4_3层开始输出feature map。在shape比较小的feature map用于检测大的物体，较大的检测小物体(feature map的size越来越小，感受野越来越大，只有大的物体才容易保留信息，小物体的信息会逐渐丢失，所以在feature map shape教大时比较容易检测小物体)。使用Extra Feature layers生成bbox，最后会将所有的bbox汇集到一起，然后使用NMS去重。

Extra Feature layers

每一个feature map的Extra Feature layers操作是使用Conv 3x3x(kx(Class+4))对每个anchor进行bbox的探测，其中k代表不同尺度探测框的数量，Class+4是每个类的score加上x,y,w,h的偏移与缩放的因子。总共最多有6层feature map进行候选框的探测，其中，k的值依次为4、6、6、6、4、4。

探测框

探测框的初始尺度为$S_k$：
$S_k=s_{min}+\frac{s_{max}-s_{min}}{m-1}(k-1),kϵ[1,m]$，$m$代表最多的输出特征层数，$s_{min}$的初始值为0.2，$s_{max}$的初始值为0.9。
探测框的尺度变形比例： a r ϵ { 1 , 2 , 3 , 1 2 , 1 3 } a_r\epsilon\lbrace 1,2,3,\frac{1}{2},\frac{1}{3} \rbrace ar​ϵ{ 1,2,3,21​