关于SSD训练时默认框输出层输出通道num_output的计算
申明，本博文是为解决以下两个问题而撰写。
Check failed: num_priors_ * num_loc_classes_ * 4 == bottom[0]->channels() (264348 vs. 88116) Number of priors must match number of location predictions.
Check failed: num_priors_ * num_classes_ == bottom[1]->channels() (132174 vs. 99406) Number of priors must match number of confidence predictions.
我们针对小目标检测时受到此方面的困扰，在阅读源码后解决。特写下此博客，以供参考。具体源码，请仔细阅读：src/caffe/layers/multibox_loss_layer.cpp
输出通道主要涉及默认框产生层的置信输出mbox_conf和位置输出mbox_conf。对应prototxt文件中的应该是以下部分，我们以conv4_3为例讲解。
以上就是conv4_3层的在train.prototxt中的内容。我们主要讲解num_output=16是怎么计算来的，在原始SSD中conv4_3产生的每个特征图的中心点产生4个默认框，具体默认框的产生数量及方式请参看博主博文： 点击打开链接
这四个默认仍框分别对应x1,y1,x2,y2四个点，所以呢在产生位置损失时就会产生四个loc损失，所以一个中心点的所产生的4个默认框就有4*4=16个位置信息需要输出，这就是16的来源。具体在multibox_loss_layer.cpp中的定义是：
-
template <
typename Dtype>
-
void MultiBoxLossLayer<Dtype>::Reshape(
const
vector<Blob<Dtype>*>& bottom,
-
const
vector<Blob<Dtype>*>& top) {
-
LossLayer<Dtype>::Reshape(bottom, top);
-
num_ = bottom[
0]->num();
-
num_priors_ = bottom[
2]->height() /
4;
-
num_gt_ = bottom[
3]->height();
-
CHECK_EQ(bottom[
0]->num(), bottom[
1]->num());
-
CHECK_EQ(num_priors_ * loc_classes_ *
4, bottom[
0]->channels())
//num_priors_就是指每个中心点产生的默认框个数，位置个数计算。
-
<<
"Number of priors must match number of location predictions.";
-
CHECK_EQ(num_priors_ * num_classes_, bottom[
1]->channels())
//置信个数计算。
-
<<
"Number of priors must match number of confidence predictions.";
-
}
对于置信输出通道，其在train.prototxt中的内容为：
置信conf的输出计算方法不同与位置loc，一个中心点会产生一个默认框，但是这个默认框到底是正样本还是负样本，这就涉及到正负的两个置信，如果是负的，那它就是背景。所以这需要看你的类别，在原始SSD检测VOC时，类别数为21，所以这里的num_output应该=（你的类别数+1）*中心点产生的默认框的个数，这里为21*4=64。它在multibox_loss_layer.cpp中的定义也在上面我们复制出来的代码中。
其他5个提取层也是如此计算。
注意的一点是以上是针对conv4_3的计算，而fc7、conv6_2、conv7_2，原始的SSD框架中这三层的每个中心点产生了6个默认框，例如fc7，他在train.prototxt中的内容是：
这里我们只列举了位置loc，计算为4*6=24。置信输出就应该是21*6=126了，大家应该知道怎么计算了吧。
另外我们着重强调一点，关于flip参数的设置，这在我的博文关于ssd_pascal.py解读中有讲解：点击打开链接
他是设置翻转的，我们在关于默认框的产生一文中讲到，ssd默认产生一大一小两个正方形默认框，另外，每设置一个aspect_ratio则增加两个长方形默认框，然而在prior_box_layer.cpp文件中只有产生一个长方形默认框的计算公式如下：
-
// rest of priors
-
for (
int r =
0; r < aspect_ratios_.size(); ++r) {
-
float ar = aspect_ratios_[r];
-
if (
fabs(ar -
1.) <
1e-6) {
-
continue;
-
}
-
box_width = min_size_ *
sqrt(ar);
-
box_height = min_size_ /
sqrt(ar);
-
// xmin
-
top_data[idx++] = (center_x - box_width /
2.) / img_width;
-
// ymin
-
top_data[idx++] = (center_y - box_height /
2.) / img_height;
-
// xmax
-
top_data[idx++] = (center_x + box_width /
2.) / img_width;
-
// ymax
-
top_data[idx++] = (center_y + box_height /
2.) / img_height;
-
}
当然，这里是我们项目中的设置，我们这里只设置了min_size，因为我们只需要一个较小的正方形边框就可以了，并不需要较大的正方形边框，所以我们没有设置max_size参数，故每个默认框产生特征层只生成一个边长为min_size的正方形默认框，剔除边长为sqrt（min_size*max_size）的默认框。这里我们设置了一个aspect_ratio=2，所以每个中心点产生3个默认框。这里flip我吃了很大的亏。一直在报错。
最后以上面的讲解延伸到我们最近研究的小人脸检测建构SFD，他最低层的默认框提取层是conv3_3，而并不是conv4_4，所以其在conv3_3后面也做了norm操作，另外他在conv3_3后面还添加了一个slice层，注意只在conv3_3后面添加，它在train.prototxt中的内容为：
该层的具体作用，博主还没有做仔细的解读，但是其中slice层导致了conv3_3的置信conf输出发生了变化，要在我们前面讲的基础上加上2，即我们在以上代码中所注释的部分。
最后给大家附上有置信conf和位置loc输出通道设置错误引起的error：
1.由置信引起的：
Check failed: num_priors_ * num_classes_ == bottom[1]->channels() (132174 vs. 99406) Number of priors must match number of confidence predictions.
其中括号里的数字不必去纠结，这和你的数据有关。
2.由位置引起的：
Check failed: num_priors_ * num_loc_classes_ * 4 == bottom[0]->channels() (264348 vs. 88116) Number of priors must match number of location predictions.
博主水平有限，如有错误请多多指正，转载请注明地址。谢谢！
6728
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
