根據(jù)mmDetection的mask rcnn的配置文件來進(jìn)行理解囊颅。

網(wǎng)絡(luò)結(jié)構(gòu)

model = dict(
    type='MaskRCNN',
    pretrained='torchvision://resnet50',
    backbone=dict(
        type='ResNet',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),  #使用resnet50作為主干網(wǎng)絡(luò)瀑构，/4辖所，/8叁执，/16咙俩，/32作為FPN的輸入
        frozen_stages=1, #stage 1及其之前層不進(jìn)行參數(shù)更新僧凤，-1表示參數(shù)都更新
        norm_cfg=dict(type='BN', requires_grad=True),
        style='pytorch'),
    neck=dict(
        type='FPN',
        in_channels=[256, 512, 1024, 2048], 
        out_channels=256, #利用1*1的卷積改變通道數(shù)蜻拨，低分辨率的進(jìn)行最近鄰上采樣，然后進(jìn)行相鄰尺度的相加融合眠冈，然后通過3*3的卷積進(jìn)行輸出飞苇。
        num_outs=5), #此處額外加了一個(gè)尺度輸出菌瘫，即在/32尺度利用2*2的最大池化輸出\64尺度。一起作為RPN網(wǎng)絡(luò)的輸入布卡。
    rpn_head=dict(
        type='RPNHead',
        in_channels=256,
        feat_channels=256,
        anchor_scales=[8], 
        anchor_ratios=[0.5, 1.0, 2.0], #3個(gè)base_anchors雨让，面積一樣。其中1.0表示8*8的大小忿等，數(shù)值表示長(zhǎng)寬比栖忠。
        anchor_strides=[4, 8, 16, 32, 64], #對(duì)于輸入的5個(gè)尺度，生成對(duì)應(yīng)的anchor贸街。設(shè)有A個(gè)anchors (1, A, 4)庵寞， 有K個(gè)shifts (K, 1, 4)，
                                            #其中K為特征圖的大小W*H薛匪，得到(K*A, 4)的坐標(biāo)值捐川。
                                            #shift_x = torch.arange(0, feat_w, device=device) * stride
                                           #shift_y = torch.arange(0, feat_h, device=device) * stride
                                           #shift_xx, shift_yy = self._meshgrid(shift_x, shift_y)
                                           #shifts = torch.stack([shift_xx, shift_yy, shift_xx, shift_yy], dim=-1)
        target_means=[.0, .0, .0, .0],
        target_stds=[1.0, 1.0, 1.0, 1.0],
        loss_cls=dict(
            type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0),
        loss_bbox=dict(type='SmoothL1Loss', beta=1.0 / 9.0, loss_weight=1.0)), #RPN網(wǎng)絡(luò)有2條支路——分類支路（anchor數(shù)目*2，
                                                                  #如果使用sigmoid逸尖，不需要乘2 ）古沥，和回歸支路（anchor數(shù)目*4）
    bbox_roi_extractor=dict(
        type='SingleRoIExtractor',
        roi_layer=dict(type='RoIAlign', out_size=7, sample_num=2),
        out_channels=256,
        featmap_strides=[4, 8, 16, 32]), #ROI Align層，對(duì)于一個(gè)ROI娇跟，根據(jù)其大小岩齿，進(jìn)行映射，取相應(yīng)的尺度上的特征圖苞俘。
                                        #- scale < finest_scale * 2: level 0
                                       #- finest_scale * 2 <= scale < finest_scale * 4: level 1
                                       #- finest_scale * 4 <= scale < finest_scale * 8: level 2
                                       #- scale >= finest_scale * 8: level 3
    bbox_head=dict(
        type='SharedFCBBoxHead',
        num_fcs=2,
        in_channels=256,
        fc_out_channels=1024,
        roi_feat_size=7,
        num_classes=81,
        target_means=[0., 0., 0., 0.],
        target_stds=[0.1, 0.1, 0.2, 0.2], #預(yù)測(cè)的dx和dy需要*0.1,dw和dh需要*0.2
        reg_class_agnostic=False,
        loss_cls=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
        loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0)), #輸入7*7的ROI 特征盹沈，進(jìn)行類別預(yù)測(cè)和框的回歸
    mask_roi_extractor=dict(
        type='SingleRoIExtractor',
        roi_layer=dict(type='RoIAlign', out_size=14, sample_num=2),
        out_channels=256,
        featmap_strides=[4, 8, 16, 32]), #ROI Align層，同上吃谣，只是輸出大小為14*14
    mask_head=dict(
        type='FCNMaskHead',
        num_convs=4,
        in_channels=256,
        conv_out_channels=256,
        num_classes=81,
        loss_mask=dict(
            type='CrossEntropyLoss', use_mask=True, loss_weight=1.0))) #輸入14*14的ROI特征襟诸，F(xiàn)CN進(jìn)行Mask預(yù)測(cè)

訓(xùn)練

train_cfg = dict(
    rpn=dict(
        assigner=dict(
            type='MaxIoUAssigner',
            pos_iou_thr=0.7,
            neg_iou_thr=0.3,
            min_pos_iou=0.3,
            ignore_iof_thr=-1),#對(duì)于每個(gè)box，分配真值框或者背景基协。遍歷每個(gè)bbox歌亲，
         #與一gt的iou超過pos_iou_thr為正樣本，與所有g(shù)t的iou低于neg_iou_thr的為負(fù)樣本澜驮。
         #遍歷每個(gè)gt陷揪，如果與其最重合的box的iou大于min_pos_iou，此gt分配給此box杂穷。
        sampler=dict(
            type='RandomSampler',
            num=256,
            pos_fraction=0.5,
            neg_pos_ub=-1,
            add_gt_as_proposals=False),#采樣正負(fù)樣本悍缠，進(jìn)行損失計(jì)算
        allowed_border=0,
        pos_weight=-1,
        debug=False),
    rpn_proposal=dict(
        nms_across_levels=False,
        nms_pre=2000,
        nms_post=2000,
        max_num=2000,
        nms_thr=0.7,
        min_bbox_size=0),#按照置信度選取前nms_pre的前景，進(jìn)行nms
                        #然后選前nms_post個(gè)框耐量，送入bbox分支
    rcnn=dict(
        assigner=dict(
            type='MaxIoUAssigner',
            pos_iou_thr=0.5,
            neg_iou_thr=0.5,
            min_pos_iou=0.5,
            ignore_iof_thr=-1), #同上
        sampler=dict(
            type='RandomSampler',
            num=512,
            pos_fraction=0.25,
            neg_pos_ub=-1,
            add_gt_as_proposals=True),#同上
        mask_size=28,
        pos_weight=-1,
        debug=False))

推理

#推理時(shí)飞蚓，rpn網(wǎng)絡(luò)輸出roi，roi特征圖輸入bbox分支廊蜒，得到預(yù)測(cè)框趴拧。
#預(yù)測(cè)的框所對(duì)應(yīng)的特征圖輸入到mask分支溅漾。
test_cfg = dict(
    rpn=dict(
        nms_across_levels=False,
        nms_pre=1000,
        nms_post=1000,
        max_num=1000,
        nms_thr=0.7,
        min_bbox_size=0), #1000個(gè)roi框送到bbox分支中
    rcnn=dict(
        score_thr=0.05,
        nms=dict(type='nms', iou_thr=0.5),
        max_per_img=100,
        mask_thr_binary=0.5))  #100個(gè)bbox分支預(yù)測(cè)框送入到mask分支中