ssd github:對於ssd來說，最有新意的就是它的多尺度特徵，而整個**中調整頻度最高的應該是它的prior_box，我們就從這些方面來分享一下我自己的理解。請選擇分支 ssdssd *****:arxiv.org/abs/1512.02…
##多尺度 先說一下多尺度特徵。在之前的faster-rcnn中，特徵向量都是從最後一層的feature maps上得到的，對於這種單一的特徵層而言，感受野是十分有限的，沒有完全利用好前面幾級的特徵網路。在ssd中，作者從conv4_3開始，利用多級feature maps的組合作為分類和回歸的依據，達到了**中提到的多尺度的效果。 借用**中的一張圖來說明，作者是拿yolo和ssd做的對比：
可以看出ssd 的特徵是從不同的卷積層提取出來（上圖紅線），進行組合再進行回歸和分類，而yolo只有一層，在yolo之後的版本中也借鑑了 ssd的這種多尺度的思想來提高map。也就是說，ssd就是faster-rcnn和yolo中做了一次的分類和檢測過程放在不同的影象大小上做了多次。
##prior_box 知道了ssd的特徵是從不同尺度上提取的，那麼**中所說的8732 boxes又是怎麼來的呢？用下面這張表來告訴你。
name
out_size
prior_box_num
total_num
conv4-3
38x38
45776
fc719x19
62166
conv5-2
10x10
6600
conv7-2
5x56
150conv8-2
3x36
36conv9-2
1x14
48732
和 faster-rcnn一樣，ssd也是特徵圖上的每乙個點對應一組預選框。然後每一層中每乙個點對應的prior box的個數，是由priorbox這一層的配置檔案決定的。拿conv4-3對應的priorbox來說，caffe的模型配置檔案如下：
那麼ssd是怎麼生成對應的四個priorbox的呢？ 框的生成過程大概分為下面三種方式:
先以min_size為寬高生成乙個框。
如果存在max_size則用sqrt(min_size_ * max_size_)，生成乙個框。
然後根據aspect_ratio，再去生成。如上面的配置檔案，aspect_ratio=2，那麼會自動的再新增乙個aspect_ratiod = 1/2，然後根據下面的計算方法：
分別生成兩個框，乙個對應 ar = 2 乙個對應 ar= 1/2。
直觀點說，就是min_size和max_size會分別生成乙個正方形的框，aspect_ratio引數會生成2個長方形的框。所以輸出框的個數 ：ps：min_size是必須要有的引數，否則不會進入對應的框的生成過程。**跟實際**是有一些出入的，git上也有人在討論這個，基本都選擇無視**。。。prior_box_num = count(min_size)*1+count(max_size)*1+count(aspect_ratio)*2。
這裡還有乙個比較關鍵的引數，就是step，在conv4-3中設定為8，這個又是怎麼來的呢？還是用乙個表來看一下：
name
out_size
cal_scale
real_scale
conv4-3
38x38
7.88
fc719x19
15.78
16conv5-2
10x10
3032
conv7-2
5x560
64conv8-2
3x3100
100conv9-2
1x1300
300 cal_scale = 300/out_size 實際就是 原圖與特徵圖 大小的比值，比如conv4-3 width = 38 ，輸入的大小為300，那麼scale=7.8，所以這裡設定的step=8。**中實現如下：
這一部分的計算過程可以在 prior_box_layer.cpp的forward_cpu中看到。
##特徵的錶出形式 如果你看了ssd的網路結構會發現，每乙個 conv***x_mbox_loc 或者 conv***x_mbox_conf後面都會跟乙個permute+flatten layer,如下圖：
這是在幹什麼呢？ 使用caffe的同學都知道 ，caffe的資料結構是 nchw的形式（n:樣本個數， c：通道數，h：高，w：寬）,而ssd的 xx_conf 和 xx_loc層的輸出，是用通道來儲存特徵向量的，所以這裡需要將通道數調整到最後，也就是 permute所做的事情，通過該層後，資料的順序被換成了 nhwc，再通過 flatten拉成一列。
這裡還有還是要說一下 xx_loc 和 xx_conf 層的輸出通道的規則，xx_loc層是用來回歸框的，所以需要4個座標資訊，而xx_conf是用來做分類的，所以需要class_num個資訊，同時每個點會有多個prior_box ，我們令k = count(prior_box),那麼相應的xx_loc的輸出的通道個數應為4*k，而xx_conf的輸出通道個數應為class_num*k,作為驗證，我們還是看一下針對於voc的模型的引數設定，
還是看conv4_3,這一層對應了4個prior_box ，voc的分類個數是21(20個分類+1個背景)，所以對應的conv4_3_norm_mbox_loc 的num output = 16 = 4*4 ,而 conf的 num_output = 84 = 21*4。所以，如果針對的是自己的訓練集，一定要記著修改 xx_conf的輸出通道數。
其實簡單點理解，就是ssd的最後幾層的輸出資訊都是儲存在channel這一維度的，而乙個loc+conf+prior的模組可以認為等效於乙個 faster-rcnn的最後的回歸+分類過程，通過將這些子模組的特徵拼接起來，得到一組特徵向量，達到提取多尺度特徵的目的（多個f-rcnn同時工作於同一的不同尺度上）。#####再看一下為什麼乙個特徵點要對應幾個prior_box。 原圖中的某乙個片區域，在經過幾層的提取後，會抽象成特徵圖上的乙個點，那麼多對於多個prior_box而言，他們對應的都是同一組資訊，那麼多個prior_box的意義是什麼呢？看下圖：
該圖只是示意作用，我假設某一層的特徵輸出中的乙個點，在原圖中的感受野剛好是上圖左上角的區域，可以看出卡片遮擋了筆的部分特徵（橙色和藍色的框是我標註上去的，2根藍線是示意作用，可以忽略），如果沒有多個prioro_box的時候，這種場景就無法正確分類，要麼認為是卡片，要麼認為是筆。這時候多個prior_box的價值就來了，因為多個框都會輸出自己的座標回歸和分類，它們會去關注自己對應的特徵，然後不同的框給出不同的分類得分，個人覺得有點類似於乙個attention的結構。
##最後還是要提一下ssd的資料增強 ssd的資料增強有很多，隨機的剪裁，放縮，亮度，飽和度的調整，等等。引數也基本是見名知意的，所以最好自己跟著**看一下比較有效。如果自己需要做資料增強不妨學習一下他的用法。 這裡推薦乙個 git：
這個git的ssd版本是可以在 windows上跑的，這樣就能用宇宙最強ide——vs一步一步的跟著看的變化了。
基於深度學習的目標檢測演算法 SSD
ssd single shot multibox detector 問題引入 目前，常見的目標檢測演算法，如faster r cnn，存在著速度慢的缺點。該 提出的ssd方法，不僅提高了速度，而且提高了準確度。ssd 該 的核心思想 該 的主要貢獻 1.提出了ssd目標檢測方法，在速度上，比之前最快...
基於深度學習的目標檢測演算法 SSD
ssd single shot multibox detector 問題引入 目前，常見的目標檢測演算法，如faster r cnn，存在著速度慢的缺點。該 提出的ssd方法，不僅提高了速度，而且提高了準確度。ssd 該 的核心思想 該 的主要貢獻 1.提出了ssd目標檢測方法，在速度上，比之前最快...
《深度學習筆記》 loss函式的學習和理解
在南溪看來，loss函式是對目標target和 prediction之間的一種距離度量的公式 自身不變性指的是 當 prediction target時，loss函式的值為0 在數學上，我們可以認為是對映l ll的l ll函式矩陣為對稱矩陣 這一點是從蔡老師對 svm核函式有效性的證明 的論述中學習...