py-faster-rcnn中调参体会

config.py的参数有

目录

AnchorTargetCreator (RPN开头)：

ProposalCreator(RPN开头)：

ProposalTargetCreator：

---

AnchorTargetCreator (RPN开头)：

AnchorTargetCreator将 20000 多个候选的 anchor 选出 256 个 anchor 进行分类和回归位置。

RPN_POSTIVE_OVERLAP =0.7,

RPN_NEGATIVE_OVERLAP =0.3

RPN_FG_FRACTION =0.5

选择过程如下：

对于每个 anchor, gt_label 要么为 1（前景），要么为 0（背景），对于每一个  gt_bbox，选择和它重叠度（IoU）最高的一个 anchor 作为正样本，对于剩下的 anchor，从中选择和任意一个gt_bbox重叠度超过 0.7 的 anchor，作为正样本，正样本的数目不超过 128 个。随机选择和gt_bbox重叠度小于 0.3 的 anchor 作为负样本。负样本和正样本的总数为 256。

---

ProposalCreator(RPN开头)：

RPN_NMS_THRESH = 0.7，如果是多目标。我觉得这里的0.7应该变小一些，这样后面选概率最大的2000个的时候，才不会在同一个目标处选太多，从上万个 anchor 中，选择一定数目（2000 或者 300），调整大小和位置，生成 RoIs，用以 Fast R-CNN 训练或者测试。（20000anchor----2000or300的ROIs-----用作RoIHead的训练样本）

TRAIN.RPN_NMS_THRESH = 0.7

RPN_PRE_NMS_TOP =12000 在nms抑制之前选的12000个anchor

RPN_POST_NMS_TOP =2000在nms抑制之后的2000个roi

FG_THRESH = 0.5

BG_THRESH_HI = 0.5

BG_THRESH_LO = 0.1

具体过程：

1. 对于每张图片，利用它的 feature map， 计算 (H/16)× (W/16)×9（大概 20000）个 anchor 属于前景的概率，以及对应的位置参数。（找前景和anchor的位置参数）
2. 选取概率较大的 12000 个 anchor（选概率大的前景）
3. 利用回归（这里用的AnchorTargetCreator算出的回归的参数）的位置参数，修正这 12000 个 anchor 的位置，得到 RoIs（利用gt_loc回归参数修正12000个ROIS）
4. 利用非极大值（(Non-maximum suppression, NMS）抑制，选出概率最大的 2000 个 RoIs

---

ProposalTargetCreator（不是RPN开头）：

 负责在训练 RoIHead/Fast R-CNN 的时候，从 RoIs 选择一部分 (比如 128 个) 用以训练。同时给定训练目标, 返回（sample_RoI, gt_RoI_loc, gt_RoI_label）

BATCH_SIZE = 128

BBOX_THRESH=0.5

FG_FRACTION = 0.25

步骤：

RoIs 和 gt_bboxes 的 IoU 大于 0.5 的，选择一些（比如 32 个）

选择 RoIs 和 gt_bboxes 的 IoU 小于等于 0（或者 0.1）的选择一些（比如 128-32=96 个）作为负样本

为了便于训练，对选择出的 128 个 RoIs，还对他们的gt_roi_loc 进行标准化处理（减去均值除以标准差）