Faster-RCNN的个人理解

      两周前复现了一下pointnet++，本来想赶紧写博客记录一下梳理完的网络流程，但因为一些不可抗力必须去做一些浪费时间的事情，没时间整理，所以搁置了，pointnet++今天我也不写了，以后有时间吧。

     这两周也在断断续续学习目标检测的东西，因为之前只会分割，别人说cv的精髓都在检测，所以现在开始学习关于检测的东西，首先选择了Faster-RCNN作为开端，今天就记录一下我对此模型的理解。

     网上大神很多，不论是对论文的讲解还是对代码的分析，都很透彻，但我用了很长时间才真正明白pytorch版本代码的真正流程......，我就是笨，那么清楚的讲解，我居然还用这么久。

用到的代码是：https://github.com/chenyuntc/simple-faster-rcnn-pytorch

大神博客是：https://www.cnblogs.com/kerwins-AC/p/9752679.html

     以下就是我浅显的理解了：

1. 提起图像特征，得到feature，代码是以extractor来实现这部分的，通常使用VGG16等等网络，这个大家都懂；
2. RPN网络，使用卷积对feature进行处理，可得到rpn_locs（前向传播得到的偏移量），rpn_scores（前向传播得到的分数），roi（ProposalCreator函数得到的兴趣区域），roi_indices（rois在anchor中的位置），anchor（贯彻全文的所有有效anchor）。
3. 通过RPN得到了前向传播的rpn了，最终目标是要求rpn和真实框框的损失值，那么真实框框的信息怎么得到呢？使用AnchorTargetCreator得到的，此函数的返回值为gt_rpn_locs，gt_rpn_label，这就和上一步得到的rpn_locs，rpn_scores一一对应上了，使用损失函数分别求一下，得到了两个值，先放一放；
4. 针对roi这部分的损失函数，首先求前向的roi_cls_loc，roi_scores，这部分使用head网络来求，关于head，网上的图片也已经说明了其结构，真实的roi呢？通过ProposalTargetCreator来求，得到gt_roi_locs，gt_roi_label，又和前向的roi对应上了，好了，也是分别求一下对应的损失值；
5. 以上得到了4个损失值，相加即为整个流程的损失值，也起到了参数共享的作用。之后就开始进行反向传播。

     刚开始看这个源码时真的是让我很头疼，我把每一个小函数都梳理了一下，记录其维度的转换变化，最终混在一起时，我真的晕了......后来看到上面提到的那个博主的流程图，一下豁然开朗，今天也赶紧记录下来自己的理解，关于代码细节的部分，呃，我不想一一复现了。而且现在好像目标检测都不用RCNN了，我也就是用这个入个门，理解理解原理就够了。

     哪位大神要是看到我的博客，若我的理解有错误，希望您能不吝赐教，我真的有点笨(～￣(OO)￣)ブ