深度学习目标检测之SSD网络（超级详细）_BigHao688的博客-CSDN博客_深度学习ssd
1，对于锚框的选取
①高和宽：通过scale和aspect获得锚框的高宽，举例第一个特征图每个网格所获得的锚框数：scale大小为21的有三种比例（1：1，2：1，1：2），scale为根号下（21*45)有一种比例1：1，共四种。
② 中心点x,y: 网格中心是在原图img上生成的，而不是在特征层上生成。
首先认识下感受野这个东西，卷积神经网络每一层输出的特征图（feature map）上的像素点在原始图像上映射的区域大小。我们设定步长step_x =原图的w/特征图的w，step_y等类似。我的理解为step_x是感受野的宽，就是特征图上的一个网格（一个像素1*1）在原图上映射的宽。
linx = np.linspace(0.5 * step_x, img_width - 0.5 * step_x,layer_width)
#通过linspace函数从0.5*step_x到img_width-0.5*step_x,总共layer_width个数据，这就得到了中心点的x，同理可得y。
因为①中生成的宽高是对应特征图上每个网格锚框的宽高，当映射到原图上时，需要将 锚框宽高/原图的宽高
至此，我们就得到该特征图在原图上的锚框。
2，通过位置回归调整锚框的位置
loc位置回归的输出为 num_anchor * 4 ，这里4是（x,y,w,h）是坐标偏移量，并不是实际上坐标。
通过以上公式，位置回归偏移量和锚框的数据都是已知，反解求出真实预测锚框g的xyhw.