SSD的损失函数改进

     实现在github中： https://github.com/BOBrown/SSD-Centerloss

（1）centerl loss改进

centerloss的理解请参考博文 https://blog.csdn.net/zbzb1000/article/details/81001546

传统SSD目标检测算法是对每一个default生成一个4维的localization向量和一个output_number维度的分类向量。 
例如，在21个类别的pascal voc数据集上，每一个default box需要生成4维的localization向量和21维的分类向量。 
我们这里除了以上两种向量，我们还生成一种叫做center features的向量，加入到损失函数中。

center features：可以帮助每一个default box进行中心点回归。每一个default box都有一个中心点，不同类别的中心点相隔的远，相同类别的中心点相隔的近。具体技术细节参考 ：https://blog.csdn.net/zbzb1000/article/details/81001546

（2）focal loss改进

focal loss文章 Title：Focal Loss for Dense Object Detection 
采用focal loss训练SSD不需要使用OHEM。 
以下是focalloss的layer config

1. layer {
2.   name: "mbox_loss"
3.   type: "MultiBoxFocalLoss"
4.   bottom: "mbox_loc"
5.   bottom: "mbox_conf"
6.   bottom: "mbox_priorbox"
7.   bottom: "label"
8.   top: "mbox_loss"
9.   include {
10.     phase: TRAIN
11.   }
12.   propagate_down: true
13.   propagate_down: true
14.   propagate_down: false
15.   propagate_down: false
16.   loss_param {
17.     normalization: VALID
18.   }
19.   focal_loss_param {
20.     alpha: 0.5
21.     gamma: 2
22.   }
23.   multibox_loss_param {
24.     loc_loss_type: SMOOTH_L1
25.     conf_loss_type: SOFTMAX
26.     loc_weight: 1
27.     num_classes: 21
28.     share_location: true
29.     match_type: PER_PREDICTION
30.     overlap_threshold: 0.5
31.     use_prior_for_matching: true
32.     background_label_id: 0
33.     use_difficult_gt: true
34.     neg_pos_ratio: 3
35.     neg_overlap: 0.4
36.     code_type: CENTER_SIZE
37.     ignore_cross_boundary_bbox: false
38.     mining_type: NONE #注意这里不适用负样本挖掘方法
39.   }
40. }

原文：https://blog.csdn.net/zbzb1000/article/details/81154311