SSD
正负样本选择
- 同YOLO
选择与GT IOU最大的anchor作为正样本。（此时正负样本很不平衡） - 对于剩余未匹配anchor，将与GT IOU超过0.5的作为正样本。这样一个GT就可以匹配多个anchor，增加正样本的数量。（此时负样本依然多于正样本）
- hard negative mining，难负样本挖掘。将所有负样本按照预测的背景置信度进行降序排序（预测背景的置信度越小，误差越大），选择误差大的前几个作为负样本，以保证正负样本比例接近1:3。
损失
位置损失：smoothL1。同faster RCNN
置信度误差（类别+背景一体）：softmax loss而不是BCE
问题
为什么要在conv4_3使用L2 normalization？
因为conv4比较靠前，数据通道间的特征分布和后续的几层相差较大，所以通过在通道维度进行L2归一化。归一化后一般设置一个可训练的放缩变量gamma。
参考链接
目标检测|SSD原理与实现
