接續作天，今天講訓練相關策略及方法

training

Matching strategy 匹配策略

利用jaccard overlap使ground truth 與 default box對應

• 用ground truth匹配與其有最大 jaccard overlap 的 Default box
• 讓每一個 ground truth 都有唯一的 Default box 對應
• 完成上述工作後將剩餘的 Default boxes 與任一 ground truth 做匹配，若兩者的 jaccard overlap 大於閾值 (通常設定為 0.5)，則將兩者配對
• 由上述步驟所配對到的 Default boxes 就是正樣本，反之為負樣本(類似匹配背景)

Training objective 訓練目的

分類置信度損失 (confidence loss) 和位置損失 (localization loss) 的總和

N 為匹配的 Default boxes 總數、α 為調整權重的參數

Choosing scales and aspect ratios for default boxes 為默認邊界框選擇尺度和長寬比

• 每個 feature layer 預測一種規模，feature layer 上每個位置（cell ）的default box 的長寬比（aspect ratio）不一樣，這就是 multi-scale 預測
• ( b ) 和 ( c ) 代表不同的預測 feature layer，每個的 default box 的 scale 是不一樣的，同一個 feature layer 中的同一個位置處的 default box 的長寬比也不一樣
• 這樣生成一系列 default box 之後，就有了預測 bounding box 的初始參考，最終的 bounding box 會在 default box 的基礎上產生偏移，它會產生很多的預測 bounding box，這些預測包含了不同尺寸和形狀的目標物體

如上圖，在 ( c ) 的 feature map 中只有狗（紅色框）是正樣本，這是因為不同的 feature map 負責預測的 scale 和 aspect ratio 是不同的，( b ) feature map 中只有貓（藍色框）是正樣本。

參考資料

• https://arxiv.org/pdf/1512.02325.pdf
• https://medium.com/ching-i/single-shot-multibox-detector-ssd-%E8%AB%96%E6%96%87%E9%96%B1%E8%AE%80-1f2cc7a452e0