ssd源码相比于caffe架构主要添加了flatten,normal,prior,detection,multibox等层，其中最重要的难点是multibox层和multibox，通过学习ssd源码可以更加深刻的了解ssd的使用原理.而源码链接为：ssd算法源码

ssd算法架构综述

本文讲解ssd源码，所以不介绍ssd的理论知识

ssd算法的损失函数由两部分组成：一个类别预测，一个位置的线性回归。它们对应的前向传播层能够在网络结构文件中找到norm_mbox_conf层和norm_mbox_loc层，这些层也实现了反向传播用于计算预测类别损失以及位置回归损失。
通过网络结构能够发现还有一个前向传播的分支为mbox_priorbox层，奇怪的是此层没有反向传播，其实这层仅仅是计算norm_mbox_loc对应于原图的大小，有了mbox_priorbox层来获取原图的比例，norm_mbox_loc就能够通过比例来计算出所处于原图具体的什么位置了。
ssd中的难点理解主要是detection_output_layer和multibox_loss_layer，但是理解了multibox_loss_layer后detection_output_layer就容易理解了，因为前者比后者多出来反向传播用来计算损失函数来更新参数。
其实caffe的卷积层的实现远远比multibox_loss_layer复杂，所以不要太担心学习ssd算法源码将会十分困难。

具体将在下文叙述detection_output_layer和multibox_loss_layer。

detection_output_layer层和multibox_loss_layer层的输入

找到对应的train.prototxt和deploy.prototxt文件，并且索引MultiBoxLoss和DetectionOutput,可以发现前者比后者多了一个label层的输入，可以知道两者网络结构大概相同，并且前者需要通过label层来计算损失函数更新参数

两者的公共输入为 :

bottom: “mbox_loc”
bottom: “mbox_priorbox”

区别为:

train: bottom: “mbox_conf”
deploy: bottom: “mbox_conf_flatten”

而mbox_conf_flatten是将mbox_conf进行了softmax操作后的结果。可以在train.prototxt和deploy.prototxt进行比对。

mbox_loc解析

其中mbox_loc对应为：

layer {name: "mbox_loc"type: "Concat"bottom: "conv4_3_norm_mbox_loc_flat"bottom: "fc7_mbox_loc_flat"bottom: "conv6_2_mbox_loc_flat"bottom: "conv7_2_mbox_loc_flat"bottom: "conv8_2_mbox_loc_flat"bottom: "conv9_2_mbox_loc_flat"top: "mbox_loc"concat_param {axis: 1}
}

可以得知，而mbox_loc中的conv4_3_norm_mbox_loc_flat的维度为: n x (38 x 38 x 4 x 4) x 1 x 1
存储的分别代表blob中的样本数(n) x 通道数© x h x w ,因为n, c, h, w默认为1,而38 x 38表示的是经过卷积后的图片大小，紧跟着的是候选框的数量为4，最后的一个4表示的是一个候选框的长宽以及中心点的x,y坐标。其他的输入层同理。
而mbox_loc实现的是将第二个通道（c）合并在一起，合并后的通道含义不变(这里需发挥自己的想象理解一下)
我的废话：为了更好的理解，我一般只考虑conv4_3_norm_mbox_loc_flat，然后通过类比的方法最终应用到整个mbox_loc上去(依旧需要发挥自己想象)。

mbox_conf解析

mbox_conf 对应为：

layer {name: "mbox_conf"type: "Concat"bottom: "conv4_3_norm_mbox_conf_flat"bottom: "fc7_mbox_conf_flat"bottom: "conv6_2_mbox_conf_flat"bottom: "conv7_2_mbox_conf_flat"bottom: "conv8_2_mbox_conf_flat"bottom: "conv9_2_mbox_conf_flat"top: "mbox_conf"concat_param {axis: 1}
}

同理可以知道:

conv4_3_norm_mbox_conf_flat为:n x (38x 38 x 4 x 2) x 1 x 1
其中n为样本数，38 x 38 为卷积后图像大小，4为候选框大学，2为类别

mbox_priorbox解析

mbox_priorbox对应为：

layer {name: "mbox_priorbox"type: "Concat"bottom: "conv4_3_norm_mbox_priorbox"bottom: "fc7_mbox_priorbox"bottom: "conv6_2_mbox_priorbox"bottom: "conv7_2_mbox_priorbox"bottom: "conv8_2_mbox_priorbox"bottom: "conv9_2_mbox_priorbox"top: "mbox_priorbox"concat_param {axis: 2}
}

同理，

conv4_3_norm_mbox_priorbox对应为: n x 2 x (38 x 38 x 4 x 4) x 1

接下来，可以查看detection_output_layer层源码解析

detection_output_layer解析

Caffe框架下SSD算法源码综述相关推荐

1、SSD算法源码解读-如何进行数据增强
文章目录目标检测任务中数据包含的基本信息两种类型的数据增强 Int类型图片转为float类型去均值将x,y,w,h转化从0-1的相对值转化为图片真实值将x,y,w,h转化真实值转化为0-1的 ...
2022年视觉框架，增加了机器人流程框架多任务流程 C#源码框架，机器视觉源码框架，编程语言C#，算法使用的是halcon
2022年最新视觉框架VM PRO 2.7版本,增加了机器人流程框架多任务流程 C#源码框架,机器视觉源码框架,编程语言C#,算法使用的是halcon,参考了cognex visionpro的输入 ...
2022年最新视觉框架VM PRO 2.7版本，增加了机器人流程框架多任务流程 C#源码框架，机器视觉源码框架，编程语言C#，算法使用的是halcon，参考了cognex visionpro的输入
2022年最新视觉框架VM PRO 2.7版本,增加了机器人流程框架多任务流程 C#源码框架,机器视觉源码框架,编程语言C#,算法使用的是halcon,参考了cognex visionpro的输入 ...
超像素SLIC算法源码阅读
超像素SLIC算法源码阅读超像素SLIC算法源码阅读 SLIC简介源码阅读实验结果其他超像素算法对比超像素SLIC算法源码阅读 SLIC简介 SLIC的全称Simple Linear Ite ...
LeGo-LOAM激光雷达定位算法源码阅读(二)
文章目录 1.featureAssociation框架 1.1节点代码主体 1.2 FeatureAssociation构造函数 1.3 runFeatureAssociation()主体函数 2.重 ...
机器学习算法源码全解析（三）-范数规则化之核范数与规则项参数选择
前言参见上一篇博文,我们聊到了L0,L1和L2范数,这篇我们絮叨絮叨下核范数和规则项参数选择.知识有限,以下都是我一些浅显的看法,如果理解存在错误,希望大家不吝指正.谢谢. 机器学习算法源码全解析( ...
Android-FixBug热修复框架的使用及源码分析(不发版修复bug)
前面几篇博文已经介绍了2种热修复框架的使用及源码分析,AndFix兼容性比较好,而Dexposed Art处于Beta版. AndFix和Dexposed都是阿里的开源项目. Alibaba-And ...
【集合框架】JDK1.8源码分析之HashMap（一）
转载自 [集合框架]JDK1.8源码分析之HashMap(一) 一.前言在分析jdk1.8后的HashMap源码时,发现网上好多分析都是基于之前的jdk,而Java8的HashMap对之前做了较大 ...
Android Glide图片加载框架（二）源码解析之into()
文章目录一.前言二.源码解析 1.into(ImageView) 2.GlideContext.buildImageViewTarget() 3.RequestBuilder.into(Targe ...

Caffe框架下SSD算法源码综述