SSD超参数的解释

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 ′ k =s k s k+1  − − − − −  √  里的s k ,s k+1  
除了21与315， 其余的都是通过anchor_size_bounds计算出来的。

anchor_offset

用于计算anchor中心点的偏移。论文中(i+0.5|f k | ,i+0.5|f j | ) 的0.5 。

anchor_steps

由网络结构和feat_layers决定。例如，在conv4_3上移动一个像素相当于在原图上移动8个像素。

normalizations

正则化参数。大于0则将对应的feature map L2norm一下， 然后在其上预测bbox。所以这个20也没啥特殊涵义。
ssd_common.py

    if normalization > 0:
        net = custom_layers.l2_normalization(net, scaling=True)

• 1
• 2

prior_scaling

（应该是用于调节x,y 回归与w,h 回归在loss中占的比例。
ssd_common.py

    feat_cy = (feat_cy - yref) / href / prior_scaling[0]
    feat_cx = (feat_cx - xref) / wref / prior_scaling[1]
    feat_h = tf.log(feat_h / href) / prior_scaling[2]
    feat_w = tf.log(feat_w / wref) / prior_scaling[3]