SSD超參數的解釋

image_size

SSD中沒有全連接層， 可適應各種大小的圖片。指定圖片大小的目的是爲了方便成batch訓練。

num_classes

待檢測的物體類別數量， 一般還需要加上背景類。

no_annotation_label

沒用

feat_layers

特徵層。使用哪幾層來預測bbox

feat_shapes

特徵層的shape

anchor_size_bounds

每個特性層上的anchor大小都不一樣， 越靠近輸入的層其anchor越小。
確定第一個與最後一個feature層的anchor大小以後， 處於中間的層的anchor大小則通過線性插值計算而來。例如，假如anchor_size_bounds = [0.2, 0.7]， 有6個feature layer，則每個layer對應的default anchor大小爲：[0.2, 0.3, 0.4, 0.5, 0.6, 0.7].

anchor_sizes

這個不是超參數。
它是論文中s ′ k =s k s k+1  − − − − −  √  裏的s k ,s k+1  
除了21與315， 其餘的都是通過anchor_size_bounds計算出來的。

anchor_offset

用於計算anchor中心點的偏移。論文中(i+0.5|f k | ,i+0.5|f j | ) 的0.5 。

anchor_steps

由網絡結構和feat_layers決定。例如，在conv4_3上移動一個像素相當於在原圖上移動8個像素。

normalizations

正則化參數。大於0則將對應的feature map L2norm一下， 然後在其上預測bbox。所以這個20也沒啥特殊涵義。
ssd_common.py

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

• 1
• 2

prior_scaling

（應該是用於調節x,y 迴歸與w,h 迴歸在loss中佔的比例。
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]