单发多框检测（SSD）【动手学深度学习】

        单发多框检测模型主要由一个基础网络块和若干多尺度特征块串联而成。基本网络用于从输入图像中提取特征，可以使用深度卷积神经网络，原论文中选用了在分类层之前阶段的VGG，现在也常用ResNet替代。

        我们可以设计基础网络，使它输出的高和宽较大，这样基于该特征图生成的锚框数量较多，可以用于检测尺寸较小的目标。接下来每个多尺度特征块将上一层特征图的高和宽缩小（如减半），并使特征图中每个单元在输入图像上的感受野变得更广阔。

 图1 单发多框检测模型

类别预测层

        设目标类别为q，这样每个锚框有q+1个类别，其中0类为背景。在某个尺度下，设特征图的高和宽分别为h和w，如果以每个单元为中心生成a个锚框，则需要对h*w*a个锚框进行分类，如果使用全连接层作为输出，很容易导致模型参数过多。SSD使用卷积层的通道来输出类别预测的方法。即类别预测层使用一个保持输入宽和高的卷积层，这样输出和输入在特征图宽和高上的空间坐标一一对应。考虑输出和输入同一空间坐标（x，y）：输出特征图上（x，y）坐标的通道里包含了以输入特征图（x，y）坐标为中心生成的所有锚框的类别预测。因此输出通道数为