Single Shot Detection(SSD)bbox prediction相关的（超）参数

参考https://github.com/balancap/SSD-Tensorflow 记录SSD中与bbox prediction相关的（超）参数。

---

ssd_vgg_300.py

SSDParameters(
    img_shape=(300, 300), 
    num_classes=21, 
    no_annotation_label=21, 
    feat_layers=['block4', 'block7', 'block8', 'block9', 'block10', 'block11'], 
    feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)], 
    anchor_size_bounds=[0.15, 0.9], 
    anchor_sizes=[(21.0, 45.0), (45.0, 99.0), (99.0, 153.0), (153.0, 207.0), (207.0, 261.0), (261.0, 315.0)], 
    anchor_ratios=[[2, 0.5], [2, 0.5, 3, 0.3333333333333333], [2, 0.5, 3, 0.3333333333333333], [2, 0.5, 3, 0.3333333333333333], [2, 0.5], [2, 0.5]], 
    anchor_steps=[8, 16, 32, 64, 100, 300], 
    anchor_offset=0.5, 
    normalizations=[20, -1, -1, -1, -1, -1], 
    prior_scaling=[0.1, 0.1, 0.2, 0.2]
)

image_size

SSD中没有全连接层， 可适应各种大小的图片。指定图片大小的目的是为了方便成batch训练。

num_classes

待检测的物体类别数量， 一般还需要加上背景类。

no_annotation_label

没用

feat_layers

特征层。使用哪几层来预测bbox

feat_shapes

特征层的shape

anchor_size_bounds

每个特性层上的anchor大小都不一样， 越靠近输入的层其anchor越小。
确定第一个与最后一个feature层的anchor大小以后， 处于中间的层的anchor大小则通过线性插值计算而来。例如，假如anchor_size_bounds = [0.2, 0.7]， 有6个feature layer，则每个layer对应的default anchor大小为：[0.2, 0.3, 0.4, 0.5, 0.6, 0.7].

anchor_sizes

这个不是超参数。
它是论文中 s′