（真的详细！！！）SSD（Single Shot MultiBox Detector）中的框回归详解

原文链接：https://blog.csdn.net/qq_34914551/article/details/102843418

很多人都知道Anchor-based的目标检测网络按照阶段来分有两类，以RCNN为代表的的二阶段检测和SSD，Yolo为代表的一阶段网络。其中二阶段网络的RPN和一阶段网络的输出，损失函数都有框回归的部分。本篇博客就详细解释框回归的原理，步骤和Smoth L1 loss.

前言

在正式讲解之前，我们需要知道，网络的输出不是框的坐标和宽，高。这些坐标，宽高需要从输出向量解码得到。我们都知道，目标检测网络box分支输出的是离GT的偏置（offset）。所以box分支的label，其实并不是坐标值，而是要把坐标值先按照一定格式要求编码为一个四维向量，四个值分别描述了框中心点xy离GT框中心点的偏置，以及宽和GT宽的尺度变化信息，以及高和GT的高的尺度变化信息。

框回归是啥

anchor-base目标检测方法是有anchor的。为简单描述起见，以下提到的anchor统统都在原图空间下。
如下图所示，绿色框是网络预定义的一个anchor，这个anchor对应的score非常高，所以网络会把这个anchor挑出来作为框的输出，但是anchor这个东西是死的，即预先按照位置比例以及长宽比以及anchor size提前预定的，所以anchor一般来说都是没法准确框到目标的，我们需要在anchor的基础上进行框回归，或者认为是调整。
一个框的信息用四个值能描述，框中心的xy坐标，以及框的宽高，这四个值。对于中心点的坐标的调整，其实就是偏移，数学运算是加和减；而对于宽和高的调整，数学运算是乘和除。因此在后面的部分我们可以看出anchor是如何回归（解码）得到最后的框位置。

训练过程中，编码GT

假设GT是$xc,yc,w,hxc,yc,w,h{x}_c,y_c,w,h$xc​,yc​,w,h ，这四个值就是网络的框的位置输出（间接输出，因为由解码得到）。

从代码来看编码解码

先看编码

	# matched 是框的GT，顺序是x,y, w,h ,下面一句通过先求框的中心点，然后框的中心点减去anchor的中心点得到差值
   g_cxcy = (matched[:, :2] + matched[:, 2:])/2 - priors[:, :2]
  # 差值除以anchor的宽和高，分别得到上述前两个公式dx, dy
        g_cxcy /= priors[:, 2:]
        # 先求GT的宽和高与 anchor的宽和高的比值
        g_wh = (matched[:, 2:] - matched[:, :2]) / priors[:, 2:]
        # 然后求log，也是一一与上述步骤对应。
        g_wh = torch.log(g_wh)
        # 
        loc = torch.cat([g_cxcy, g_wh], 1)  # [num_priors,4]

   
   

   
   
1
2
3
4
5
6
7
8
9
10

再看解码

    boxes = torch.cat((
    		# anchor 的x y坐标加上 预测的xy的偏置项 乘 anchor的宽和高，就是前两行公式的反推。
            priors[:, :2] + loc[:, :2] * priors[:, 2:],
            priors[:, 2:] * torch.exp(loc[:, 2:] )), 1)
        # 框左上角坐标
        boxes[:, :2] -= boxes[:, 2:] / 2
        # 框右下角坐标
        boxes[:, 2:] += boxes[:, :2]

   
   

   
   
1
2
3
4
5
6
7
8

结束语

到此为止，我的讲解结束了，如果觉得不错的，请点个赞或者留言鼓励哦。优质博客，欢迎转载，转载请注明出处。