目标检测：SSD算法的Default Box

1：SSD的anchor尺寸的选择：    下面来看下SSD选择anchor的方法。首先每个点都会有一大一小两个正方形的anchor，小方形的边长用min_size来表示，大方形的边长用sqrt(min_size*max_size)来表示(min_size与max_size的值每一层都不同)。同时还有多个长方形的anchor，长方形anchor的数目在不同层级会有差异，他们的长宽可以用下面的公式来表达，ratio的数目就决定了某层上每一个点对应的长方形anchor的数目：上面的min_size和max_size由公式2计算得到，Smin=0.2，Smax=0.95，m代表全部用于回归的层数，比如在SSD 300中m就是6。第k层的min_size=Sk，第k层的max_size=Sk+1    其中0.2表示的是训练图片的大小是300的，就是300*0.2=60; 特征map的每一个pixel都有多个default box的；假如其中aspect ratio = 2话就会生成两个正方形和两个长方形的default box；其中的minSize和maxSize是需要的自己设置的，如果根据面积的比例来算的话，也是固定的，aspect ratio也是需要自己设置的；2：特征anchors的计算方式以feature map上每个点的中点为中心（offset=0.5），生成一些列同心的prior box（然后中心点的坐标会乘以step，相当于从feature map位置映射回原图位置）
正方形prior box最小边长为

，最大边长为：


每在prototxt设置一个aspect ratio，会生成2个长方形，长宽为：

 和 




而每个feature map对应prior box的min_size和max_size由以下公式决定，公式中m是使用feature map的数量（SSD 300中m=6）：



3: 回归的default box

    回归之后的box送去计算loss，default box 会生成prior box。后续通过softmax分类+bounding box regression即可从priox box中预测到目标，熟悉Faster RCNN的读者应该对上述过程应该并不陌生。其实prior box的与Faster RCNN中的anchor非常类似，都是目标的预设框，没有本质的差异。区别是每个位置的prior box一般是4~6个，少于Faster RCNN默认的9个anchor；同时prior box是设置在不同尺度的feature maps上的，而且大小不同。还有一个细节就是上面prototxt中的4个variance，这实际上是一种bounding regression中的权重，主要是smoothL1Loss计算loss是需要的；这些回归的框之后NMS之后提取前400个去计算loss；
问题1：计算loss的框是如何生成的？