PriorBox算子
ssd網絡一大特點是，為了提高檢測准確率，在不同尺度的特征圖上進行預測，這種預測就需要prior box layer。
prior box 是干嘛的呢？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那樣通過復雜處理產生。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，所以在一個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）后面的層，prior box參數相同，那么顯然，從（b）中提取的預選框更有利於小尺度對象的檢出，而從（c）中提取的預選框更有利於大尺度對象的檢出（4x4的feature map 只有8x8 feature map長寬的1/2，相同參數的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上相同面積映射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，大尺度特征圖（較靠前的特征圖）可以用來檢測小物體，而小尺度特征圖（較靠后的特征圖）用來檢測大物體。從下圖可以看出，ssd網絡會從6層feature map中提取特征，priorbox相應也會跟在這6層后面。
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（然后中心點的坐標會乘以step，相當於從feature map位置映射回原圖位置），最后會歸一化處理
正方形prior box最小邊長為min_size，最大邊長為
每在prototxt設置一個aspect ratio，會生成2個長方形，長寬為：
和
