simple-faster-rcnn-pytorch

逐字理解目标检测simple-faster-rcnn-pytorch-master代码（一）
https://blog.csdn.net/qq_32678471/article/details/84776144
逐字理解目标检测simple-faster-rcnn-pytorch-master代码（二）
https://blog.csdn.net/qq_32678471/article/details/84792307
逐字理解目标检测simple-faster-rcnn-pytorch-master代码（三）
https://blog.csdn.net/qq_32678471/article/details/84882277
逐字理解目标检测simple-faster-rcnn-pytorch-master代码（四）
https://blog.csdn.net/qq_32678471/article/details/85678921

Fast-RCNN论文总结整理
https://www.cnblogs.com/kerwins-AC/p/9651352.html
目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)
https://www.cnblogs.com/kerwins-AC/p/9734381.html
目标检测之Faster-RCNN的pytorch代码详解(模型准备篇)
https://www.cnblogs.com/kerwins-AC/p/9752679.html
目标检测之Faster-RCNN的pytorch代码详解(模型训练篇)
https://www.cnblogs.com/kerwins-AC/p/9728731.html

trainer.py

首先通过特征提取器提取特征：

features = self.faster_rcnn.extractor(imgs)

然后将特征图送入RPN网络，产生候选区域

rpn_locs, rpn_scores, rois, roi_indices, anchor = \
    self.faster_rcnn.rpn(features, img_size, scale)

rpn_locs, rpn_scores为rpn通过卷积生成的回归参数和类别分数，与真实的回归参数和分数做loss，此处的rpn_locs, rpn_scores为所有（20000个）anchor的回归参数和分数，用来提高RPN生成的候选框的质量。
rois为输出结果，经过ProposalCreator后生成2000个分数较高的候选区域，输入到下一级。

    sample_roi, gt_roi_loc, gt_roi_label = self.proposal_target_creator(
        roi,
        at.tonumpy(bbox),
        at.tonumpy(label),
        self.loc_normalize_mean,
        self.loc_normalize_std)

ProposalTargetCreator用于从2000个ROIS中挑选出128个样本（设置IOU，选区正样本和负样本）来训练self.faster_rcnn.head

    roi_cls_loc, roi_score = self.faster_rcnn.head(
        features,
        sample_roi,
        sample_roi_index)

用于产生最后的检测结果，输出为roi_cls_loc, roi_score，与ProposalTargetCreator产生的gt_roi_loc, gt_roi_label做loss。

未完待续，有时间再更新更加详细的内容。