SSD数据增强中的batch_sampler方法

　　接上一篇博文，SSD在数据增广这一块儿做了相当多的工作，继图像变换和裁剪，接下来是对图像进行bounding box的采样，所谓的采样，即代码中的Sampler，其主要流程是根据prototxt中的每个batch_sampler中的条件分别对每张图片的样本框进行采样。现在我们来一步步分析代码。首先是void GenerateBatchSamples(const AnnotatedDatum& anno_datum,　const vector<BatchSampler>& batch_samplers,　vector<NormalizedBBox>* sampled_bboxes)函数，其输入为expand_datum的指针，batch_samplers_参数，输出为vector<NormalizedBBox> sampled_bboxes，先贴出该函数的代码：

在上述代码中，第一个 GroupObjectBBoxes函数是将输入的anno_datum（即某张图片）中的NormalizedBBox（label）全部存入object_bboxes中，对于每一个batch_sampler，先构造一个单位bounding box，名为unit_bbox，将unit_bbox，object_bboxes以及batch_samplers[i]同时传入GenerateSamples函数中，旨在输出在该batch_samplers[i]约束下的该张图片的采样先验框sampled_bboxes。

在GenerateSamples函数中，batch_sampler.max_trials()表示找寻找满足约束的框的最大尝试次数，当所采样的先验框数量大于batch_sampler.max_sample()的时候，停止采样。具体的采样过程在SampleBBox函数中执行，在这个函数中，首先产生一个介于sampler.min_scale()到 sampler.max_scale()之间的随机数scale，scale表示采样框的面积尺度，同时还需要产生一个sampler.min_aspect_ratio()到 sampler.max_aspect_ratio()之间的随机数aspect_ratio，这个数表示随机框长宽的比例尺度，根据这两个随机数，可以确定采样先验框的形状。w_off, h_off这两个随机数描述采样框的左上顶点（在图像上），他们的取值范围都是０到１（归一化了），这样就可以确定图像上的一个采样框，该采样框的坐标相对于unit_bbox。

在源码中作者还写了一个LocateBBox函数，其实src_bbox已经是单位化了，所以这个函数没有太多必要，主要是将采样的框归一化到src_bbox范围中来。接下来就是SatisfySampleConstraint函数，这个函数是为了验证我们所随机采样的sampled_bbox是否满足预设条件，在SatisfySampleConstraint中，又会根据batch_sampler中的sample_constraint参数确定使用哪一种检查条件，ssd中预设为min_jaccard_overlap和max_jaccard_overlap，即sample_constraint与label值的重合度，应用的策略是has_jaccard_overlap评价方式是IOU，保证采样的sampled_bbox与某个label box的IOU在min_jaccard_overlap与max_jaccard_overlap之间，具体函数

如果该采样框满足条件，即找到某个与之交并比满足约束的先验框（label box），则found++，源码参数设置的max_sample为１，即在该batch_sampler条件下，只需要找到一个满足条件的sample_box，即针对每张图片，我们需要找到batch_sampler.size()这么多个sample_box，并且把这些sample_box push到sampled_bboxes这个vector<NormalizedBBox>中，然后从这些sample_box中随机抽取一个进行Crop，即把原图像按照这个sample_box裁剪，存储到sampled_datum中，最后就是通过this->data_transformer_->Transform(sampled_datum->datum(),  &(this->transformed_data_))将sampled_datum存储到transformed_data_中，这个Transform函数将根据参数文件，选择对图像去均值，scale，crop裁剪，是否镜像处理，源码如下，如果在参数文件中有has_anno_type_这个参数，则在Transform中会稍有不一样，除了将sampled_datum存储到transformed_data_中以外，还会存储该sampled_datum这个数据的AnnotationGroup

这里的transformed_data_通过this->transformed_data_.set_cpu_data(top_data + offset);与top_data相关联，Dtype* top_data = batch->data_.mutable_cpu_data();即与batch->data_相关联。在batch_load函数的最后一部分是添加sample_bbox的AnnotationGroup，添加到top_label中，即batch->label_中。

最后，不是很理解，resize在哪里做的，因为resize参数的模式和代码中的不一样。研究了再改

---

针对之前留下的问题，再次调试代码，发现resize是在load_batch中的以下代码中实现的

由于在DataLayerSetUp函数中，    has_anno_type_ = anno_datum.has_type() || anno_data_param.has_anno_type();该处的has_anno_type_为true，所以执行了以上部分的代码，之前理解有误，之后会调用到这段代码：

可以看到TransformAnnotation中的do_resize为true，即在这里面做出了resize操作，把图片都resize到３００＊３００或者500*500，但是为什么只能是这两个大小呢，还不是很明白，继续看代码