multiBox介绍

multiBox论文：

  Scalable Object Detection using Deep Neural Networks

网络目的：

  生成多个大小不一、不确定类别但包含目标的bounding boxes。可以理解为在一副图像基础上生成多个大小不一的Region proposals。
作者利用DNN，输出一定数量的bounding boxes，以及每个box包含目标的置信度。

网络创新点：

网络创新点主要有三点：
  1、将目标检测作为一个回归问题，预测多个bounding boxes的坐标，并预测出每个box的置信度（用于判断box包含目标可能性的大小）；
  2、利用分配问题的思想构建损失函数，通过反向传递优化参数；
  3、使用了一种无类别的方式去训练目标box预测器。

网络预测信息：

  网络最终预测的信息为bounding boxes和confidence（置信度）：
bounding boxes：以左上、右下两个坐标点作为每个box的4个节点值，且利用图像的维度将这4个值进行归一化处理，通过网络最后一个隐藏层去预测。
confidence（置信度）：用于判断是否包含目标的置信度分数单独作为一个节点值，利用网络最后一个隐藏层去预测然后通过sigmoid函数计算获得。

网络训练过程：

损失函数：

  其中将坐标的训练作为一个分配问题，其数学原理如下

  对应的置信度计算方法

优化：

  最后利用反向传递优化网络参数。

预测：

  利用训练好的网络预测K个bounding boxes，如果有需要可以利用置信度和非极大值抑制筛选出少量高置信度的boxes。
  本论文提出方法其实是属于两阶段目标检测中的Region proposals阶段，生成较好的Region proposals则便于后续目标检测网络能够获取较好的特征，能够帮助网络实现更好的目标分类以及目标定位等。