mmdetection中faster-rcnn的proposals正负例构成代码

proposals由下图所示proposal模块产生，proposal模块在整个faster-rcnn网络中的位置如下图：
图中proposal模块做了两件事，最终输出为指定数目的包含正负例的proposals。在proposal模块的一系列操作中，本文只关注proposal模块中构成proposals正负例的代码。

先简单描述一下给proposals打上正负例标签的做法。faster-rcnn原文中，从一堆anchor给proposals打上正负标签的办法，是使用softmax模块，如上图所示。但mmdetection中似乎没有softmax模块，而是用以下过程替代：直接在一大堆anchor中根据anchor和gt的重合程度（IoU），来设定正负例。

然后看代码。从上述给proposal打正负例标签的做法中可以看出，首先要获取IoU，为了获取IoU，先要知道每一个anchor的4个坐标点的数值。这4个坐标点数值是在rpn_head.py文件获得的，在rpn_head.py中与之相关的两个代码段如图1和图2所示，
图1

图2
这里对一个样本（一张图片）所有的anchors给出了4个坐标点位置和每个anchor的分类分数，分别存在两个变量中：rpn_bbox_pred和rpn_cls_score。

接着要对这堆anchor打上正负例标签。这里以mmdetection中其中一个打标签方式MaxIoUAssigner为例（在max_iou_assigner.py文件中）。正例的标签都设置为实际标签值（都是大于0的整数），负例的标签都设为0，这里只记录负例的打标签方式。
图3
从代码（图3）中可看出，max_overlaps和neg_iou_thr两个变量共同决定了哪个区间的IoU为负例。

正负例都打上标签了，但是这些打上标签的anchor并不是proposals最终构成，还要经过一个采样的步骤。因为此时proposals的总数太多了，需要通过采样减少数目。这里以mmdetection中其中一个采样方式RandomSampler为例（在文件random_sampler.py中）。

图4

从代码（图4）中可看出，_sample_pos和_sample_neg分别对打过标签的正负例anchor进行随机采样，采样数目由num_expected决定的，num_expected是根据配置文件中的预设值计算得来，计算过程在文件base_sampler.py中。

参考：
1.一文读懂Faster RCNN