目标检测——损失函数

1.求损失的第一步——定位匹配

首先我们要做的就是ground truth boxes 与 prior bboxes 的匹配，ground truth boxes 与 prior bboxes匹配程度便是损失值的由来。

1.1 SSD策略

第一步：从ground truth box出发，寻找与每一个ground truth box有最大的jaccard overlap的prior bbox。若prior bbox没能匹配到ground truth box，那么该prior bbox就会被视为负样本。
第二步：秉着原则——确保每个ground truth有有一个prior bbox与之匹配。所以从prior bbox出发，对剩余的还没有配对的prior bbox与任意一个ground truth box尝试配对，只要两者之间的jaccard overlap大于阈值（一般是0.5），那么该prior bbox也与这个groundtruth进行匹配。

2.Hard negative mining

由于在一般情况下，一张图中的负得先验框是远远多于正的先验框，众多负的先验框会将网络学习偏向于负样本的学习，进而导致网络学习效果不理想。所以我们得通过一些方法减少这样的影响，比如Hard negative mining（在线难例挖掘策略），简单来说就是限制负样本的数量，比如正负样本比为1:3。在匹配结束后，得到正的先验框Y个，负的样本就按照从高到低的顺序，从高的开始取，取出3Y个负样本，只有这共4Y