一. 背景
本文档以ssd300作为背景网络进行解读，以Tensorflow，Keras为框架
原始代码：
https://github.com/pierluigiferrari/ssd_kerasgithub.com
分析后的代码：
https://github.com/Freshield/LEARN_detection/tree/master/a4_github_better_ssd/a2_analyze_modelgithub.com
目前网上基本都网络部分讲的比较多，但是真正训练和预测部分都相对粗略，所以自己网上找了一个相对比较好的ssd检测作为蓝本来分析，然后把相应的过程用大白话给表达出来，方便大家可以更好的理解网络。
二 到 三请看上一篇
于洋：大白话分析——SSD目标检测网络从训练到预测（上）zhuanlan.zhihu.com
四. 数据部分
于洋：大白话分析——SSD目标检测网络从训练到预测（中上）zhuanlan.zhihu.com
五. Loss部分
于洋：大白话分析——SSD目标检测网络从训练到预测（中）zhuanlan.zhihu.com
六. decoder部分
这里我们开始完成最后的预测部分。
Recall一下，我们的输入为图像，shape为bx300x300x3，通过我们的网络预测输出为bx8732x33，其中33为21+4+8，21为相应的类别数，这里是VOC数据集所有是20个类别然后1个背景，后边的4为我们预测出来的编码后的位置信息lx，ly，lw，lh，一定注意，这里是编码后的位置信息，也就是我们需要进行解码之后才是真正的位置。后边的8分别是先验框的4个位置信息以及4个variance的值。这里我们再使用一下介绍先验框时候的图：
也就是现在我们之类已经得到了所有先验框预测出来的8732个位置以及当前位置的分类结果也就是置信度，下一步就是要从这8732个框中最后选出a图中的两个框，也就是真正我们的目标框。
这也就是我们decoder的左右，从众多框中挑选出最后我们真正想要得到的框。
- 坐标解码
我们这里的y_pred（b，8732，21+4+8）分类+label坐标+先验框坐标+4+4+4是（lx，ly，lw，lh）（pred），（cx，cy，w，h）（anchor），v0，v1，v2，v3。
首先我们这里要根据公式对预测的结果进行解码，我们的解码公式为：
w（pred）= exp（lw × v2）× w（anchor）
h（pred）= exp（lh × v3）× h（anchor）
cx（pred）= w（anchor）× lx × v0 + cx（anchor）
cy（pred）= h（anchor）× lh × v1 + cy（anchor）
这里相当于就是数据部分编码的方法反过来就可以了。
这样我们就可以得到所有预测的cx，cy，w，h位置信息。但是由于之后我们需要计算IOU的信息，所以使用左上右下的形式会比较方便，这里参照数据部分说明的方法，最后我们便得到了xmin，ymin，xmax，ymax形式的四个预测的位置信息。
2. 反归一化在数据部分的时候，我们的预测值都做了归一化处理，也就是把绝对位置都转换到了0，1相对位置，所以这里我们需要把位置反归一化回去。
其实也非常简单，就是把0，1的比例数值乘以原图大小变为绝对位置即可。
xmin = xmin × 300
ymin = ymin × 300至此，我们的SSD网络已经可以完成了预测后的解码部分～
xmax = xmax × 300
ymax = ymax × 300
这样就得到了反归一化之后，值域在0到300之间的数值
3. 遍历batch，遍历各分类号，找到分类号的预测值目前，我们的预测矩阵为（b，8732，33），其中的33为21个分类结果，4个已经反归一化的坐标位置以及8个先验框和variance的信息。这里我们遍历batch，得到每个batch的预测结果也就是（8732，33）的矩阵。
然后遍历得到各个分类的分类号好提取出各个分类的预测结果，相当于这里我们针对每个类别单独处理。
举例我们找出第5个类别，也就是把网络的pred[:, [6, 21, 22, 23, 24]] 这几列拿出来，第一个6代表的第5个类别的预测值，然后21到24是坐标的位置，这样取出后，我们得到第五个类别的所有8732个框的预测值和坐标，（8732，5）。这里你可能会疑问，不是要取第5个类别的预测，为什么要把所有8732个框都取出来，因为我们要先取出来所有的，再经过阈值处理等操作就可以去除了，否则如果直接用argmax的操作，可能有些框所有值都低于阈值，就是这个框是不属于任何一个类别的，而argmax会造成这种错分配的情况。
4. 过滤分类阈值在得到了（8732，5）这个类别的矩阵后，首先我们要针对第零维也就是类别的预测概率值进行阈值处理，这里一般设为0.5，因为这样的话，可以避免一个框分配到两个类别的情况。这样我们得到8732个框中预测值也就是置信度大于0.5的所有框，假设这里有200个框大于0.5，那么这一步后我们的矩阵就变成了（200，5）
5. 进行gready_nms，贪婪非极大值抑制这里是预测框最重要的一步，也是一般所有目标检测都会用到的技术，也就是NMS，非极大值抑制，而这里是gready_nms也就是贪婪非极大值抑制，我大概网上搜了一下，基本大家用的都是贪婪非极大值抑制，非贪婪的方法暂时没有看到。。。
这里的思想非常简单，其实从名字就可以看出，我们的目的就是找出极大值，然后对非极大值进行抑制，那么这里就会有两个问题：
1）如果寻找极大值
2）如果寻找非极大值并抑制
所以这里首先我们需要有一个评价的标准来评定框的值，这里使用的是分类值也就是置信度来作为评价标准，也就是我们要找出置信度最大的那个框，作为我们的极大值。
为了方便，我们首先把当前的矩阵也就是（200，5）进行复制。
然后通过argmax找到这个置信度最高的框，把它从我们的复制的矩阵中去除并放到返回的矩阵中。
如果看这张图，我们可以发现，比如说当前我们是在对人这个类别进行计算，那么其实目前真实图里会有两个人的框，我们的预测结果为右下，也就是橙色的框有好多个。那么我们可以看到对于一个人周围会有许多框，我们其实就是想把人周围的框变成一个框。那么我们的NMS算法的意思其实就是，先找打一个置信度最高的框，比如是骑在马上的那个人的框，然后计算所有框和他的IOU值，如果IOU大于一个IOU的阈值，也就是说这些框和我置信度最高的框重合度很高，也就是说明这些是多余的框，然后把这些框去除。我们再继续找下一个置信度最高的框，也就是后边小的人，再找出和他IOU重合度高的框，进行去除。那么最后就会得到我们的目标框并去除了附近的干扰的框。这里的大概逻辑是如果你的置信度最高，那么你应该就是那个最正确的框，那和你IOU值高的就是预测同样目标的多余的框。
然后找到了第一个问题的答案后，就是第二个问题，我们对这个复制矩阵剩下的199个框都和这个置信度最高的框进行IOU计算，我们找出所有IOU值大于阈值的，这里使用的阈值大小为0.45，我们把这些框从复制的矩阵去除，然后继续找最大的框再计算IOU去除IOU大于阈值的框直到复制矩阵为空位置。
这样最终我们就会得到我们的目标框，矩阵最终就变成了（n_objects，5），这里为了方便，我们再把当前的类别号放进去，也就变为了（n_objects，6），然后放到最终的返回矩阵中。
6. 进行top_k保留这里还有一个设置为top_k，一般设置为200，也就是说如果最后预测的n_objects大于top_k也就是200，那么我只取置信度最高的200个，不过一般一张图并不会有那么多目标，所以一般并不会进行计算
7. 反transform数据增强是不是觉得我们现在已经可以直接得到预测的结果了？其实再decoder部分最一开始说的有个不太严谨的地方，就是我们的图片输入为bx300x300x3，这的确是我们网络的输入，不过回顾数据部分讲解的时候，我们的原图输入是不定大小的，而通过我们的transform的方法之后，图片才变成bx300x300x3的大小，而label的位置也相应的进行了变化。所以在最后的这里，我们需要按照transform的方法进行反transform回去的操作，由于一般预测其实只会做resize的操作，所以这里我们只需要反resize会图片的原始大小，并把预测的坐标按照相应的方法映射到原图的位置即可。
至此，我们的SSD网络已经可以完成了预测后的解码部分～