关于gluon中Object Detection 中SSD模型的笔记

源码地址  gluon example: 

Object Detection Using Convolutional Neural Networks

自己跑实验的一些代码理解，可能存在错误，欢迎讨论

1. MultiBoxPrior 函数

   输入与输出：对于（w,h）的shape输入，生成w*h*4(x_1,y_1,x_2,y_2)[左上角，右下角的坐标]。

   参数：size[ m个 ] 和 ratios [n个]，理解为 缩放大小和长宽比例 

   生成n+m-1个 default box， 每个框的大小如下：

for i in range(m+n-1):
   if i<= n：   
       s = size[i]
       r = ratios[0]
   else
       s = size[0]
       r = ratios[i-n]   

2.  模型整体结构

    class ToySSD  -> toy_ssd_forward  -> toy_ssd_model ...

    先画一个模型图. 

 总的来说模型分为四个主要模块：body() 这个部分可以替代起来任意typical cnn models, i.e., VGG, ResNet. downsampels()就是一个简单的为了得到不同scale的网络。然后是box_preds和class_preds两个网络，值得注意的是代码中多次提到的

for scale in range(5) ---这里是因为代码中设置了五组ratios和size大小：

所以 box_preds和class_preds都是各需要5层convolutional layer来预测boxes 和 categories的。同时这里num_anchor = 4 (2+3-1)
这些参数都是可以根据自己的任务进行修改的。

代码最后的输出：

default_anchors, class_predictions, box_predictions

都是包含了五组不同的size和ratios，default_anchors是根据设置的size和ratios在input feature map 计算的出来的，然后class_predictions和box_predictions是在input feature map后面借了一层卷积层计算出来的。

box convolution : channel = num_anchor * 4 , 3*3, padding =1 , 不改变feature shape

class convolution : channel = num_anchor * (num_class+1) , 3*3, padding =1 , 不改变feature shape

3.  关于data的组织，模型的输入与label的构建

  在tutorials中，用的是皮卡丘数据集。输入是x（batchsize,channel,shape[0],shape[1]）,label是[categories,x_1,y_1,x_2,y_2]

  我目前也还不知道一张图像如果有多个目标如何给网络，就是y如果是个list的情况。
  而且后面label会从shape(1,5L)reshape成(3,5L), 就是补充 np.ones(2,5)*(-1)... 说是为了cuda implementation 。这里也不懂

  所以欢迎大家能指点下这个多个label的情况

 补充一下：我觉得为什么把y reshape成（3，5L）很可能就是我上述说的图像中有多个目标的做法，这里可能估计一个训练图像里面最多3个目标。仅供参考。我日后也会做实验改进