Model
图 13.7.1 展示了 single-shot multibox detection 的总体设计。这个模型主要由 base network 后面跟着几个多尺度特征图块组成。base network 从输入图片中提取特征， 因此他可以使用一个深度CNN。 例如， 原始 single-shot multibox detection 论文采用在分类层前截断的 VGG 网络， 而现在通常使用 ResNet。 通过我们的设计我们可以使 base network 输出更大的特征图， 以此产生更多用于检测更小物体的 anchor框。 随后， 每个多尺度特征图块相比之前的块减小特征图的高和宽， 使特征图而对每个像素增加它在输入图像上的感受野。
回顾在13.5 节中深度神经网络通过图像的层级表征进行多尺度目标检测的设计。 因为更接近 图13.7.1 中顶部的多尺度特征图更小 但是有更大的感受野， 它们适用于检测更少但是更大的目标。
简而言之， 通过 base network 和 几个多尺度特征图块， single-shot multibox detection 生成不同大小不同数量的 Anchor 框， 并且通过预测 Anchor框 的类别和偏移量 检测不同带下的目标； 因此这是一个多尺度目标检测模型。
