mmdetection源码阅读笔记（2）--Loss

最新推荐文章于 2024-07-26 14:42:31 发布

EwanRenton

最新推荐文章于 2024-07-26 14:42:31 发布

阅读量4.3k

点赞数 8

分类专栏： DL Object Detection 文章标签： mmdetection 源码

本文链接：https://blog.csdn.net/sinat_29963957/article/details/94063902

版权

本文是mmdetection源码阅读笔记的第二部分，重点解析训练过程中的主要损失函数：RPN_loss、bbox_loss和mask_loss。RPN_loss涉及正负样本的筛选和匹配，bbox_loss是对候选框的二次修正，mask_loss则针对实例分割进行损失计算。各部分损失的计算均基于特定的匹配策略和损失函数，如交叉熵和Smooth L1。

摘要由CSDN通过智能技术生成

之前做完比赛过后计划看看mmdetection的源码写点blog,写了两篇过后忙其他事去了,这里就接着把之前没写完的东西补上。

之前写了模型和网络的创建，这里就主要写下训练过程中具体的loss,主要分为以下几部分

RPN_loss
bbox_loss
mask_loss

RPN_loss

rpn_loss的实现具体定义在mmdet/models/anchor_head/rpn_head.py

    def loss(self,
             cls_scores,
             bbox_preds,
             gt_bboxes,
             img_metas,
             cfg,
             gt_bboxes_ignore=None):
        losses = super(RPNHead, self).loss(
            cls_scores,
            bbox_preds,
            gt_bboxes,
            None,
            img_metas,
            cfg,
            gt_bboxes_ignore=gt_bboxes_ignore)
        return dict(
            loss_rpn_cls=losses['loss_cls'], loss_rpn_bbox=losses['loss_bbox'])

具体的计算方式定义在其父类mmdet/models/anchor_heads/anchor_head.py,主要是loss和loss_single两个函数。
先看loss函数

    def loss(self,
             cls_scores,
             bbox_preds,
             gt_bboxes,
             gt_labels,
             img_metas,
             cfg,
             gt_bboxes_ignore=None):
        featmap_sizes = [featmap.size()[-2:] for featmap in cls_scores]
        assert len(featmap_sizes) == len(self.anchor_generators)

        anchor_list, valid_flag_list = self.get_anchors(
            featmap_sizes, img_metas)
        label_channels = self.cls_out_channels if self.use_sigmoid_cls else 1
        cls_reg_targets = anchor_target(
            anchor_list,
            valid_flag_list,
            gt_bboxes,
            img_metas,
            self.target_means,
            self.target_stds,
            cfg,
            gt_bboxes_ignore_list=gt_bboxes_ignore,
            gt_labels_list=gt_labels,
            label_channels=label_channels,
            sampling=self.sampling)
        if cls_reg_targets is