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。