pytorch-ssd源码解读（三）------------multibox_loss（损失函数）

• pytorch-ssd
• 本人加的注释版本

一、SSD损失函数

   SSD的损失函数与region proposal方法有个明显的区别，在于SSD并不是针对所有的检测器计算loss。SSD会用一种匹配策略给每个检测器分配一个真实标签(背景为0，前景为对应的物体类别)。指定的标签为前景的预测器称为正样本(正样本全部计算loss)。标签为背景的预测器是负样本，并不是所有的负样本都用来计算loss(原因是每张图片中负样本的数量远远多于正样本，如果全部计算loss，则负样本的loss会主导整个loss)。此时按照预设正负样本比例(论文中为0.3)，挑选出一定数量的负样本.

       对于负样本的挑选,论文中称之为"困难样本挖掘"，其实就是对负样本按照loss大小排序，选择前n个loss大的负样本进行梯度更新。

   综上，ssd的最终loss就是挑选的正负样本的总loss。

  1.匹配策略

       这部分代码在utils.py的match函数中

      论文中的说法是分为两步：

• 1是先将真实标签框分配给iou最大的default box，确保每个标签至少有一个default box可以匹配（但是实际上并不能保证，因为可能出现两个物体都和同一个默认框iou最大，此时不可能给一个框匹配两个标签）。
• 匹配默认框与真实标签iou高于阈值（0.5）的默认框，也就是说只要默认框和哪个ground truth的iou大于0.5，就给这个默认框分配该ground truth（实际上中的做法是如果一个默认框和两个ground truth的iou都大于0.5，则选择iou最大的那个ps：选择先碰到的也可以）

 2. 损失函数

  总体目标损失函数是位置损失（loc）和置信损失（conf）的加权和：