SSD学习笔记

论文部分

• default box部分：

对特征图的每一个网格生成k个default box，记待检测种类c，每个default box有4个调整参数。所以对规模为m*n的特征图生成(c+4)kmn个参数。

• 正样本选取:

1，对每一个GT box，都去匹配和他的iou最大的default box作为正样本

2，对每一个default box，只要和任一个GT的iou大于0.5，也认为是正样本

• 损失函数：

总损失函数是分类损失conf和定位损失loc的加权平均值，其中α是超参数，作者建议为1

定位损失用的是Smooth L1函数，对预测框和真实框的4个参数分别计算损失。4个参数是中心点的二位左边以及宽高，如下式所示：

分类损失用的则是softmax函数，包括正样本和负样本的：

• default box大小的设置:

作者讲的很详细，但是看了很多的源码都不是按照作者的思路实现的

• hard negative mining:

当完成正样本匹配之后，剩余的default box会被归为负样本。尤其是当default box的数量越多，负样本的数量也就会越多，这会导致正负样本不平衡。我们对每一个负样本计算confidence loss，值最大的负样本在训练过程中被认为是目标的可能性就越大，所以我们把这样的用作负样本。把正负样本比率设为1：3