ssd網路一大特點是，為了提高檢測準確率，在不同尺度的特徵圖上進行**，這種**就需要prior box layer。
prior box 是幹嘛的呢？其實非常類似於faster r-cnn中的anchors，就是候選框，這種候選框的選取不需要像r-cnn那樣通過複雜處理產生。在ssd中，priorbox層只需要bottom層feature map的大小，就可以給出候選框。假設輸入的feature map大小是w×h，生成的prior box中心就有w×h個，均勻分布在整張圖上。在每個中心上，可以生成多個不同長寬比的prior box，如[1/3, 1/2, 1, 2, 3]，每個點就可以生成length_of_aspect_ratio個框，所以在乙個feature map上可以生成的prior box總數是w×h×length_of_aspect_ratio。
如上圖b）所示，在8x8的feature map上，每個中心點生成了4個預選框。（c）是4x4的feature map，假設（c）是（b）後面的層，prior box引數相同，那麼顯然，從（b）中提取的預選框更有利於小尺度物件的檢出，而從（c）中提取的預選框更有利於大尺度物件的檢出（4x4的feature map 只有8x8 feature map長寬的1/2，相同引數的prior box圈出的面積相同，但是兩個feature map對應於相同的原圖，因此4x4 feature map上相同面積對映回原圖相當於圈出了更大的面積，是8x8面積的4倍）。
如上所述，ssd提取了不同尺度的feature map來做檢測，大尺度特徵圖（較靠前的特徵圖）可以用來檢測小物體，而小尺度特徵圖（較靠後的特徵圖）用來檢測大物體。從下圖可以看出，ssd網路會從6層feature map中提取特徵，priorbox相應也會跟在這6層後面。
計算思路：以feature map上每個點的中點為中心（offset=0.5），生成一些列同心的prior box（然後中心點的座標會乘以step，相當於從feature map位置對映回原圖位置），最後會歸一化處理
正方形prior box最小邊長為min_size，最大邊長為
每在prototxt設定乙個aspect ratio，會生成2個長方形，長寬為：
和
SSD模型結構解析
ssd，全稱single shot multibox detector，single shot指的是ssd演算法屬於one stage方法，multibox說明ssd是多框 ssd演算法的效能與速度優於yolo。ssd模型的輸入大小是300x300，或512x512。ssd的主幹特徵提取網路依據vg...
ssd網路forward理解
主幹網路 vgg extras 分支網路 conf與loc網路 ssd中6層關鍵feature map層，其feature map的shape如下 分別經過了loc和conf層後,shape成為了 分別拉平concate起來,其shape分別為 loc data n x 34928 n x 8732...
redis 之網路模型
define ae setsize 1024 10 max number of fd supported redis的網路模型處理的fd必須小於2048 在events結構體中放不下 state of an event based program typedef struct aeeventloop...