ssd是经典的one-stage目标检测算法，作者是基于caffe来实现的，这需要加入新的层来完成功能，caffe自定义层可以使用python和c++，faster rcnn既使用了c++定义如smoothl1layer，又使用了python定义，如proposaltargetlayer、roidatalayer等。而ssd完全使用c++来定义层，包括：
1）annotateddatalayer数据读取层，用于读取图像和标签数据，并且支持数据增强
2）permutelayer用于改变blob的读取顺序
3）priorboxlayer用于生成defalutbox
4）multiboxlosslayer，边框回归集成了l2loss、smoothl1，于分类集成了softmax和logistic，并且支持困难样本挖掘、defaultbox匹配等功能。
name: "mbox_loss"
type: "MultiBoxLoss"
bottom: "mbox_loc"
bottom: "mbox_conf"
bottom: "mbox_priorbox"
bottom: "label"
top: "mbox_loss"
整个网络比较繁杂，不过相对于fasterrcnn算简单一些，我们从loss顺藤摸瓜，首先查看label的存储格式，这需要查看annotateddatalayer层是如何对数据进行读取的，查看网络定义文件发现数据读取层的输入要求是lmdb或leveldb格式，那么问题来了，如何将voc格式的数据制作成lmdb呢？原生caffe好像只支持分类的数据制作，github上说通过./data/VOC0712/create_list.sh和./data/VOC0712/create_data.sh来制作数据，查看create_data.sh文件，里面又调用了$root_dir/scripts/create_annoset.py，继续查看create_annoset.py 发现最终调用的是/build/tools/convert_annoset进而查看tools/convert_annoset.cpp,里面实现了将分散的文件转换为lmdb格式，但是依然还没找到哪里解析了voc格式标注的xml文件，convert_annoset.cpp调用了ReadRichImageToAnnotatedDatum函数，终于在utils/io.cpp中找到了读取xml标注文件的实现。数据层的输出有data和label，data的格式是n×3×300×300,而label的格式是n*1×nofboxes*8。每个物体包含了8个信息[item_id, group_label, instance_id, xmin, ymin, xmax, ymax, diff]
，含义是batchsize个图像中的第item_id幅图像中的第group_label个类别下的第instance_id个目标的坐标为[xmin, ymin, xmax, ymax]。
loss层的label输入格式清楚了，接下来解析mbox_priorbox的格式，mbox_priorbox是由多个priorbox层concat起来的，ssd300在6个featuremap上生成了priorbox，例如在conv4_3的featuremap上的priorbox数量为w×h×numprior,其存储方式为chw，维度为2×1*(w×h×numprior*4)，可以看出是3维的，而不是nchw，这是因为一个batch的图像大小是相同的，为它们生成的priorbox也是完全相同的，所以不需要batch这个维度，另外注意channel维度是2,是存入了对应位置的方差varirance。多层的priorbox数据concat起来时，axis设为2,也就是在w的维度将bloob接起来形成一个如图所示长条。
接着解析mbox_loc的维度，以大小为38×38的conv4_3的fmap为例，3*3的卷积在fmap上卷积得到bsize×16×38×38的map，注意通道数量是16,在38*38的空间位置上，每个空间位置对应16个数，而这16个数就是对4个priorbox也就是16个点的回归，但是麻烦的是priorbox是被拉成了1维向量（不考虑variance的话），暂时不考虑bsize的话，那如何将16×38×38的blob拉成与priorbox对应的1维向量呢？直接flatten的话将按照whc从低到高的顺序flatten，这是不行的，需要按照cwh的顺序flatten才能与priorbox的存储方式对应得上，于是ssd定义了permutelayer将blob的nchw顺序改为nhwc，然后进行flatten即可。这里需要注意flatten的用法，文件指定从1号axis开始flatten，也就是从permute过后hwc维flatten成1维，整体flatten过后的维度为n×(h*w*c)在conv4也就是bsize×23104,四维blob变成了2维，如果对flatten有疑惑可直接查看源码。各层的二维blob再继续concat，第1维是bsize，那么肯定在第2维上进行concat，所以mbox_loc和mbox_conf层拼接的axis都设为1。所以mbox_loc层blob的维度最终为bsize×27130。
mbox_conf层的维度与mbox_loc层维度的推算类似，3*3的卷积在fmap上卷积得到bsize×84×38×38的map,其中84=4×21,4是每个位置4个不同的priorbox，21代表了卷积网络预测出该priorbox属于21类的概率。后续计算方式参考mbox_loc即可。
p { margin-bottom: 0.1in; line-height: 120% }
code.cjk { font-family: "Nimbus Mono L", monospace }
原文地址：https://www.cnblogs.com/anti-tao/p/9991334.html