input：(2, 3, 300, 300)

backbone：在VGG16的基础上进行改动。取vgg16的conv5_3，在mmdet的实现中没用BN，只有conv、ReLU、maxpool层，conv5_3是第30层，输出大小为(2, 512, 19, 19)。接着用3×3-s1-p1的maxpool取代原来的2×2-s2的maxpool，用3×3的卷积层conv6和1×1的卷积层conv7分别代替原来的fc6和fc7，并且conv6采用了dilation_rate=6的空洞卷积，增大了感受野。增加的5层具体如下

输出如下

取22和34层（index从0开始）即conv4_3和conv7作为输出用于后续的检测。

接着后面又加了8层卷积层，具体如下

并取出conv8_2，conv9_2，conv10_2，conv11_2加上前面的conv4_3，conv7共6个特征图作为backbone的输出。shape如下

因为conv4_3比较靠前，norm较大，因此作者对conv4_3专门加了L2 Normalization处理（注意这里是对取出的6个特征图中的conv4_3做了L2 Norm，而不是在网络中的conv4_3层后面加了一层L2 Norm）。

 L2 Norm的代码如下所示，其中n_dims=512是conv4_3层的channel，具体而言是对每个像素点在channel维度做归一化。

class L2Norm(nn.Module):def __init__(self, n_dims=512, scale=20., eps=1e-10):"""L2 normalization layer.Args:n_dims (int): Number of dimensions to be normalizedscale (float, optional): Defaults to 20..eps (float, optional): Used to avoid division by zero.Defaults to 1e-10."""super(L2Norm, self).__init__()self.n_dims = n_dimsself.weight = nn.Parameter(torch.Tensor(self.n_dims))self.eps = epsself.scale = scaledef forward(self, x):"""Forward function."""# normalization layer convert to FP32 in FP16 trainingx_float = x.float()norm = x_float.pow(2).sum(1, keepdim=True).sqrt() + self.epsreturn (self.weight[None, :, None, None].float().expand_as(x_float) *x_float / norm).type_as(x)

anchor_generator：backbone的6个输出特征图的尺度分别为(38,38)、(19,19)、(10,10)、(5,5)、(3,3)、(1,1)，对于不同尺度的特征图，先验框即anchor的尺度也不一样，其遵循线性递增的规则，特征图尺度越小，anchor的尺度越大，具体如下

其中m是特征图的个数，但这里是5，因为conv4_3层是单独设置的。是anchor大小相对于原图的比例，

head：对于backbone阶段6个不同尺度的输出， 每个特征图后分别接两个3×3卷积得到对应该尺度的分类和回归结果，voc数据集共有20类，在mmdet的实现中分类输出额外加了一个bg类别，以conv4_3为例，

参考 目标检测|SSD原理与实现 - 知乎