SSD代码详解（pytorch）

Prior Box生成

SSD中引入了prior box, 其实和anchor类似，就是一些目标的预选框；后续通过classification loss 和 bounding box regression loss确定真实的目标位置，SSD按照如下规则生成prior box:

1. prior box生成由scale和aspect ratio决定，其中每个特征图的尺度计算公式如下：
   
   在论文SSD300网络中，其中的给出的和与公式并不完全匹配，因为论文给第一层conv4_3设置了默认的scale, 为0.1。其余5层满足上述公式计算，其中第二层至第五层scale分别为：0.2， 0.37， 0.54， 0.71， 0.88， 1.05。
2. 以feature map上每个点为中心，生成矩形prior box，其中中心点部分偏移（offset=0.5） 。
3. SSD提供两个默认的正方形，边长分别为和 , SSD论文中默认的和分别取0.2, 0.9。
4. SSD会生成两个长方形，采用的长宽比 aspect ratio

Multi loss function

SSD损失函数包含两部分，一个是分类损失，一个是定位损失, 整个损失函数表示如下：

其中是先验框的正样本数量，是类别置信度预测值，是先验框对应的边界框预测值，是ground truth的位置参数，代表网络的预测值。
对于位置损失，采用 Loss, 位置信息都是后的值；
对于分类损失，首先需要使用 将正负样本按照1:3的比例把负样本抽样出来，抽样的方法是：针对所有batch的confidence，按照置信度误差进行降序排列，取出前top_k个负样本。