根据mmDetection的mask rcnn的配置文件来进行理解。

网络结构

model = dict(
    type='MaskRCNN',
    pretrained='torchvision://resnet50',
    backbone=dict(
        type='ResNet',
        depth=50,
        num_stages=4,
        out_indices=(0, 1, 2, 3),  #使用resnet50作为主干网络，/4，/8，/16，/32作为FPN的输入
        frozen_stages=1, #stage 1及其之前层不进行参数更新，-1表示参数都更新
        norm_cfg=dict(type='BN', requires_grad=True),
        style='pytorch'),
    neck=dict(
        type='FPN',
        in_channels=[256, 512, 1024, 2048], 
        out_channels=256, #利用1*1的卷积改变通道数，低分辨率的进行最近邻上采样，然后进行相邻尺度的相加融合，然后通过3*3的卷积进行输出。
        num_outs=5), #此处额外加了一个尺度输出，即在/32尺度利用2*2的最大池化输出\64尺度。一起作为RPN网络的输入。
    rpn_head=dict(
        type='RPNHead',
        in_channels=256,
        feat_channels=256,
        anchor_scales=[8], 
        anchor_ratios=[0.5, 1.0, 2.0], #3个base_anchors，面积一样。其中1.0表示8*8的大小，数值表示长宽比。
        anchor_strides=[4, 8, 16, 32, 64], #对于输入的5个尺度，生成对应的anchor。设有A个anchors (1, A, 4)， 有K个shifts (K, 1, 4)，
                                            #其中K为特征图的大小W*H，得到(K*A, 4)的坐标值。
                                            #shift_x = torch.arange(0, feat_w, device=device) * stride
                                           #shift_y = torch.arange(0, feat_h, device=device) * stride
                                           #shift_xx, shift_yy = self._meshgrid(shift_x, shift_y)
                                           #shifts = torch.stack([shift_xx, shift_yy, shift_xx, shift_yy], dim=-1)
        target_means=[.0, .0, .0, .0],
        target_stds=[1.0, 1.0, 1.0, 1.0],
        loss_cls=dict(
            type='CrossEntropyLoss', use_sigmoid=True, loss_weight=1.0),
        loss_bbox=dict(type='SmoothL1Loss', beta=1.0 / 9.0, loss_weight=1.0)), #RPN网络有2条支路——分类支路（anchor数目*2，
                                                                  #如果使用sigmoid，不需要乘2 ），和回归支路（anchor数目*4）
    bbox_roi_extractor=dict(
        type='SingleRoIExtractor',
        roi_layer=dict(type='RoIAlign', out_size=7, sample_num=2),
        out_channels=256,
        featmap_strides=[4, 8, 16, 32]), #ROI Align层，对于一个ROI，根据其大小，进行映射，取相应的尺度上的特征图。
                                        #- scale < finest_scale * 2: level 0
                                       #- finest_scale * 2 <= scale < finest_scale * 4: level 1
                                       #- finest_scale * 4 <= scale < finest_scale * 8: level 2
                                       #- scale >= finest_scale * 8: level 3
    bbox_head=dict(
        type='SharedFCBBoxHead',
        num_fcs=2,
        in_channels=256,
        fc_out_channels=1024,
        roi_feat_size=7,
        num_classes=81,
        target_means=[0., 0., 0., 0.],
        target_stds=[0.1, 0.1, 0.2, 0.2], #预测的dx和dy需要*0.1,dw和dh需要*0.2
        reg_class_agnostic=False,
        loss_cls=dict(
            type='CrossEntropyLoss', use_sigmoid=False, loss_weight=1.0),
        loss_bbox=dict(type='SmoothL1Loss', beta=1.0, loss_weight=1.0)), #输入7*7的ROI 特征，进行类别预测和框的回归
    mask_roi_extractor=dict(
        type='SingleRoIExtractor',
        roi_layer=dict(type='RoIAlign', out_size=14, sample_num=2),
        out_channels=256,
        featmap_strides=[4, 8, 16, 32]), #ROI Align层，同上，只是输出大小为14*14
    mask_head=dict(
        type='FCNMaskHead',
        num_convs=4,
        in_channels=256,
        conv_out_channels=256,
        num_classes=81,
        loss_mask=dict(
            type='CrossEntropyLoss', use_mask=True, loss_weight=1.0))) #输入14*14的ROI特征，FCN进行Mask预测

训练

train_cfg = dict(
    rpn=dict(
        assigner=dict(
            type='MaxIoUAssigner',
            pos_iou_thr=0.7,
            neg_iou_thr=0.3,
            min_pos_iou=0.3,
            ignore_iof_thr=-1),#对于每个box，分配真值框或者背景。遍历每个bbox，
         #与一gt的iou超过pos_iou_thr为正样本，与所有gt的iou低于neg_iou_thr的为负样本。
         #遍历每个gt，如果与其最重合的box的iou大于min_pos_iou，此gt分配给此box。
        sampler=dict(
            type='RandomSampler',
            num=256,
            pos_fraction=0.5,
            neg_pos_ub=-1,
            add_gt_as_proposals=False),#采样正负样本，进行损失计算
        allowed_border=0,
        pos_weight=-1,
        debug=False),
    rpn_proposal=dict(
        nms_across_levels=False,
        nms_pre=2000,
        nms_post=2000,
        max_num=2000,
        nms_thr=0.7,
        min_bbox_size=0),#按照置信度选取前nms_pre的前景，进行nms
                        #然后选前nms_post个框，送入bbox分支
    rcnn=dict(
        assigner=dict(
            type='MaxIoUAssigner',
            pos_iou_thr=0.5,
            neg_iou_thr=0.5,
            min_pos_iou=0.5,
            ignore_iof_thr=-1), #同上
        sampler=dict(
            type='RandomSampler',
            num=512,
            pos_fraction=0.25,
            neg_pos_ub=-1,
            add_gt_as_proposals=True),#同上
        mask_size=28,
        pos_weight=-1,
        debug=False))

推理

#推理时，rpn网络输出roi，roi特征图输入bbox分支，得到预测框。
#预测的框所对应的特征图输入到mask分支。
test_cfg = dict(
    rpn=dict(
        nms_across_levels=False,
        nms_pre=1000,
        nms_post=1000,
        max_num=1000,
        nms_thr=0.7,
        min_bbox_size=0), #1000个roi框送到bbox分支中
    rcnn=dict(
        score_thr=0.05,
        nms=dict(type='nms', iou_thr=0.5),
        max_per_img=100,
        mask_thr_binary=0.5))  #100个bbox分支预测框送入到mask分支中