【每日一网】Day5：MultiBox简单理解

MultiBox

算法背景

MultiBox之前所有的检测算法都是使用传统方法来提取候选框，而MultiBox则是使用了神经网络来提取候选框，并且MultiBox的loss函数很好的解决了定位和分类的loss分配问题，并且提出了prior的思想。

MultiBox结构

候选框生成

作者使用了两个alexnet来组成整个网络，其中一个alexnet用来做候选框的回归，另一个则负责分类。
下面来讲一下用来做候选框回归的alexnet。首先alex会生成k个框，原论文中k=100，其中每个框的格式为：
其中x1，y1为左上角的点，x2，y2为右下角的点，c为置信度，取值范围为0到1，置信度为前景对背景的概率，作者在使用的时候，会将生成的k=100个框按置信度进行排序，只取前10个使用，如果想要速度更快可以使用nms进行筛选。

分类

作者使用1000万个iou>0.5的正样本和2000万个iou<0.2的负样本（背景）

损失函数

优化定位框：
Li是预测框，gj是真是框，Xij取值为0或者1，表示当前预测框是否命中待预测目标，并且Xij对i的求和必定为1，例如100个预测框只有一个框是匹配的，

优化置信度：
使用的为二值交叉熵损失函数

损失函数：
alpha的值作者在论文中取得是0.3，用来平衡置信度和边界框回归的值