根据mmDetection的mask rcnn的配置文件来进行理解。
网络结构
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作为主干网络，/4，/8，/16，/32作为FPN的输入
frozen_stages=1, #stage 1及其之前层不进行参数更新，-1表示参数都更新
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的卷积改变通道数，低分辨率的进行最近邻上采样，然后进行相邻尺度的相加融合，然后通过3*3的卷积进行输出。
num_outs=5), #此处额外加了一个尺度输出，即在/32尺度利用2*2的最大池化输出\64尺度。一起作为RPN网络的输入。
rpn_head=dict(
type='RPNHead',
in_channels=256,
feat_channels=256,
anchor_scales=[8],
anchor_ratios=[0.5, 1.0, 2.0], #3个base_anchors，面积一样。其中1.0表示8*8的大小，数值表示长宽比。
anchor_strides=[4, 8, 16, 32, 64], #对于输入的5个尺度，生成对应的anchor。设有A个anchors (1, A, 4)， 有K个shifts (K, 1, 4)，
#其中K为特征图的大小W*H，得到(K*A, 4)的坐标值。
#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网络有2条支路——分类支路（anchor数目*2，
#如果使用sigmoid，不需要乘2 ），和回归支路（anchor数目*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层，对于一个ROI，根据其大小，进行映射，取相应的尺度上的特征图。
#- 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], #预测的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)), #输入7*7的ROI 特征，进行类别预测和框的回归
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层，同上，只是输出大小为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))) #输入14*14的ROI特征，FCN进行Mask预测
训练
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),#对于每个box，分配真值框或者背景。遍历每个bbox，
#与一gt的iou超过pos_iou_thr为正样本，与所有gt的iou低于neg_iou_thr的为负样本。
#遍历每个gt，如果与其最重合的box的iou大于min_pos_iou，此gt分配给此box。
sampler=dict(
type='RandomSampler',
num=256,
pos_fraction=0.5,
neg_pos_ub=-1,
add_gt_as_proposals=False),#采样正负样本，进行损失计算
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),#按照置信度选取前nms_pre的前景，进行nms
#然后选前nms_post个框，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
#推理时，rpn网络输出roi，roi特征图输入bbox分支，得到预测框。
#预测的框所对应的特征图输入到mask分支。
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个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个bbox分支预测框送入到mask分支中
