标签：归一化 大尺度 aspect 技术 layer 因此 txt 生成 复杂
ssd网络一大特点是，为了提高检测准确率，在不同尺度的特征图上进行预测，这种预测就需要prior box layer。
prior box 是干嘛的呢？其实非常类似于Faster R-CNN中的Anchors，就是候选框，这种候选框的选取不需要像R-CNN那样通过复杂处理产生。在ssd中，priorbox层只需要bottom层feature map的大小，就可以给出候选框。假设输入的feature map大小是W×H，生成的prior box中心就有W×H个，均匀分布在整张图上。在每个中心上，可以生成多个不同长宽比的prior box，如[1/3, 1/2, 1, 2, 3]，每个点就可以生成length_of_aspect_ratio个框，所以在一个feature map上可以生成的prior box总数是W×H×length_of_aspect_ratio。
如上图b）所示，在8x8的feature map上，每个中心点生成了4个预选框。（c）是4x4的feature map，假设（c）是（b）后面的层，prior box参数相同，那么显然，从（b）中提取的预选框更有利于小尺度对象的检出，而从（c）中提取的预选框更有利于大尺度对象的检出（4x4的feature map 只有8x8 feature map长宽的1/2，相同参数的prior box圈出的面积相同，但是两个feature map对应于相同的原图，因此4x4 feature map上相同面积映射回原图相当于圈出了更大的面积，是8x8面积的4倍）。
如上所述，SSD提取了不同尺度的feature map来做检测，大尺度特征图（较靠前的特征图）可以用来检测小物体，而小尺度特征图（较靠后的特征图）用来检测大物体。从下图可以看出，ssd网络会从6层feature map中提取特征，priorbox相应也会跟在这6层后面。
计算思路：以feature map上每个点的中点为中心（offset=0.5），生成一些列同心的prior box（然后中心点的坐标会乘以step，相当于从feature map位置映射回原图位置），最后会归一化处理
正方形prior box最小边长为min_size，最大边长为
每在prototxt设置一个aspect ratio，会生成2个长方形，长宽为：
和
标签：归一化 大尺度 aspect 技术 layer 因此 txt 生成 复杂
原文地址：https://www.cnblogs.com/wanggangtao/p/12221872.html
