Faster-RCDCN 目标检测网络

在目标检测中，尤其是医学超分辨率的目标检测，始终存在一个问题，即Faster-RCNN 可能获取不到map值问题，可能的原因如下：

（1）医学数据集中的0值像素点太多，无法提供有效的卷积特征，导致rpn网络中的候选框计算梯度时，loss/所有的候选框数量，其实分母这个时候的值非常小。

（2）在计算confidence 时，由于其值多大，一般为0.5， 导致无法输出有效的候选框。

理论上经过rpn的特征图ROI已经过滤掉了像素值为0 的特征图，我们期望重新寻找一种网络，对过滤后的ROI进行特征重组、融合。该任务本文寄希望于图像重建领域的相关思想，其中CDCN网络可以承担次任务，传统的Faster-RCNN 网络一般采用RCNN网络作为后续的图像特征提取、融合。由于乳腺病灶在本文划分中实现的是结节以及钙化的良恶性分类，传统的Faster-RCNN 并不能对其中的结节特征以及边缘进行很好的识别，以此将CDCN网络替换掉传统的RCNN网，并重新设计两层的全连接网络进行进一步的特征融合以及分类。

实验结果表明，CDCN网络由于是重建网络，其loss非常大，采用的是ML1oss函数，本文替换掉该函数，采用平滑的MSELOSS函数， 训练的过程中，loss非常大，因此采用了较小的学习率，虽然初始loss比较大，但后续过程最终的loss 一直在收敛，虽然多次再次突然增高，又下降，总体趋近于收敛。目前还没有做任何的分析。