SSD-Loss计算

SSD算法的目标函数分为两部分：计算相应的预选框与目标类别的confidence loss以及相应的位置回归。其中N是match到Ground Truth的预选框数量；而α擦书用于调整confidence loss 和location loss 之间的比例，默认α = 1.

 

 

 

 分类：

　　

 

 　　其中i表示第i个默认框，j表示第j个真实框，p表示第p个类。其中={1,0}代表第i个prior box匹配到了第j个类别为p的真实框（匹配到取1，没有匹配到取0）；

 

　　前半部分为目标类别的计算，后半部分为背景的计算；例如第3个预选框匹配到了第二个真实框，类别为猫（iou大于一定阈值）。此时=1，没有匹配到就为0.此时还不用管匹配的类别是否一致，where中计算匹配到的概率softmax函数计算概率，例子中表示第3个预选框为猫的概率为cip。因此cip的取值范围为0-1，由下图可知，当cip为0-1时，log（cip）的值为 负无穷—》0，在传统意义上讲预测值与真实值越接近越好，loss越小越好，要不然公式的前半部分负负为正，，因此cip的值越接近于1越好，当=1时值为0，越接近于0，值为正无穷。由下图可以看出，这样的函数在梯度下降时可以迅速收敛。后半部份公式也是一样的。假如有20个预选框，10个真实框，这20个预选框中有13个预选框为positive计算概率，剩余没有匹配的7个框为背景框的概率。查看下文match策略。

 

 

                    

 

 回归：

　　而location loss是典型的smooth L1 loss。

　　

 

 

 

Match策略

　　在训练时，groundtruth boxes 与prior boxes 按照如下方式进行配对：

　　首先，寻找与每一个ground truth box 有最大交比（IoU）的prior box，这样就能保证每一个groundtruth box 与唯一一个prior bx对应起来。

　　SSD之后又将剩余还没有配对的prior box 与任意一个groundtruth box尝试配对，只要两者之间交并比大于阈值，就认为match（ssd 300 阈值为0.5）

　　显然配对到GTde prior box 就是positive，没有匹配到GTGT的prior box就是negative