SSD系列算法原理讲解----（2）Prior Box Layer、样本构造、损失函数介绍（笔记）

SSD系列算法原理介绍

Prior Box Layer：

• m *n个cell （每个点都作为一个cell）
• 每个cell上生成固定scale和aspect ratio的box（尺寸和长宽比例）
  • 假设一个feature map有m *n个cell，每个cell对应k个default box，每个default box预测c个类别score和4个offset
  • （ c +4）* k * m * n个输出

Prior Box Layer：

• shape数量越多，效果越好

• Anchor

• 38 *38 *4 + 19 *19 *6 + 5 *5 *6 + 3 *3 *4 + 1 *1 *4 = 8732个prior box
  38层提取4个default box，19层6个…

• 每一个feature map cell不是k个default box都取

• prior box 与GT box（真值）做匹配，IOU > 阈值为正样本

• 训练：确保prior box的分类准确且尽可能回归到GT box

构造样本

• 正样本
  • 从GT box出发找到最匹配的prior box放入候选正样本集
  • 从prior box集出发，寻找与GT box满足IOU>0.5的最大prior box放入候选正样本集
• 负样本
  • 难例挖掘
  • 正负样本比： 1:3

难例挖掘：

除了单纯使用正负样本构造的方法，还可以采用数据增强的方法。
数据增强

• 随机采样多个path，与物体之间最小的jaccard overlap为0.1,0.3,0.5,0.7与0.9
• 采样的patch比例是[0.3 , 1.0],aspect ratio在0.5或2
• GT box中心在采样patch中且面积大于0
• Resize到固定大小
• 以0.5的概率随机的水平翻转

同时对于每一个prior box，会预测出一个类别以及坐标偏移量。也就是说，对于SSD损失函数包含两个部分，
损失函数：

• 分类loss + 回归loss
• 分类loss：Softmax Loss
• 回归loss：Smooth L1 loss
  
  损失函数计算：
  基本思路：
  让每一个prior box回归到GT box，这个过程的调控我们需要损失层的帮助，它会计算真实值和预测值之间的误差，从而指导学习的走向。
  
  损失函数计算通常会采用回归loss和分类loss结合来计算最终loss的方式。这样的loss也会用于后续的反向传播。对于每一个prior box 希望它尽可能的回归到GT box中，在计算当前的prior box，是背景还是候选目标，通常会采用IOU方式计算，最终的IOU会通过相应的阈值进行调控。

使用细节

• 数据增强时，Crop采样大小（配置文件）
• 多任务网络的权重
• 正负样本比例（1:3）
• 难挖掘方式默认只取64个最高predictions loss来从中寻找负样本。