終於開始 one-stage了
ssd是作者在eccv 2016上發表的**，對於輸入尺寸300x300的網路是喲個titan x在voc2007測試集上達到74.3%map以及59fps，對於512x512的網路，達到了76.9%map，超越當時最強的fast rcnn
不同特徵圖設定的先驗框數目不同（同乙個特徵圖上每個單元設定的先驗框是相同的，這裡的數目指的是乙個單元的先驗框數目）。先驗框的設定，包括尺度（或者說大小）和長寬比兩個方面。對於先驗框的尺度，其遵守乙個線性遞增規則：隨著特徵圖大小降低，先驗框尺度線性增加：
其中m指的是特徵圖的個數，但是是5，因為第一層的是單獨設定的 ，sk表示anchor大小相當於的比例，smin和smax表示比例的最小值與最大值，**中取值為0.2和0.9.
對於長寬比，一般選取
，對於特定的長寬比，按如下公式計算anchor的寬度與高度
預設情況下，每個特徵圖會有乙個αr=1且尺度為sk的anchor，除此之外，還會設定乙個尺度為
的anchor。綜合計算，ssd中的anchor設定情況如下圖：
**過程比較簡單，對於每個**框，首先根據類別置信度確定其類別（置信度最大者）與置信度值，並過濾掉屬於背景的**框。然後根據置信度閾值（如0.5）過濾掉閾值較低的**框。對於留下的**框進行解碼，根據先驗框得到其真實的位置引數（解碼後一般還需要做clip，防止**框位置超出）。解碼之後，一般需要根據置信度進行降序排列，然後僅保留top-k（如400）個**框。最後就是進行nms演算法，過濾掉那些重疊度較大的**框。最後剩餘的**框就是檢測結果了。
正樣本：
1、與gt的iiou最大的box
2、與任意gt的iou大於0.5
負樣本：
計算最大置信度loss，然後按負樣本：正樣本 = 3:1的比例選擇負樣本，簡稱為hard negative mining。
類別損失：
定位損失：
每日一網 Day5 MultiBox簡單理解
multibox之前所有的檢測演算法都是使用傳統方法來提取候選框，而multibox則是使用了神經網路來提取候選框，並且multibox的loss函式很好的解決了定位和分類的loss分配問題，並且提出了prior的思想。作者使用了兩個alexnet來組成整個網路，其中乙個alexnet用來做候選框的...
每日一網 Day8 DeepBox簡單理解
物件的精確類別比 前景或者背景更困難，對於生產region proposal的過程中我們不需要判斷框中物體對應的類別，也不希望生成候選區的過程像檢測網路一樣複雜，所以我們可以使用相對輕量級的網路結構來捕獲前景的範圍。deepbox主要幹了一件事，用乙個cnn，對傳統方法產生的proposal重新進行...
每日一網 Day18 OHEM簡單理解
作者提出了一種困難負樣本挖掘的方法，困難負樣本是指模型難以區分的負樣本，也就是容易將負樣本當成正樣本的那些樣本。例如，當roi中沒有目標，全是背景的時候，這時候分類器就很容易正確分類成背景，這就是 容易負樣本 如果roi中有一半是目標，但是標籤仍然是背景，這個時候分類器就容易把它當作成正樣本，這就是...