训练的分离loss设计

(03-16) 21d
这个方法本身可能不起效

实验方法

资源：
192@pengxk/TOV_mmdetection/

1、按实例分离loss

• 
  --> algorithm: 根据dr修改bboxes_weight、labels_weight
• 
  理论分析：原算法bboxes_gt, lables = filter(bboxes_gt, lables)导致大量漏检。因scale被滤掉的gt，导致其区域原本的正例被匹配为负例。
  1)gt_valid = filter(bboxes_gt, lables)2)filter(sampling_result, gt_valid)

def get_targets(gt_inds_valid_list=None,):
        ### add by fei ##
        if gt_inds_valid_list is None:
            gt_inds_valid_list = [None for i in range(num_imgs)]
        ### add by fei ##

def _point_target_single(gt_inds_valid=None,):
        ### filter code here ##

RepPointsHead Pipline: loss() --invoke->get_target()--invoke-> _point_target_single()

• 
  实验分析：将filter(dr=[0.25, 0.33, 0.5])的保留区间都设为全部（即不过滤），性能与之前一致。说明代码实现应该正确，可能是算法策略本身的问题。
  解决：尝试区间调参（按数量划分>>直接按划分），性能上升至20+。

改进：filter改为soft方式（weight[filtered] = 0>>weight[filtered] = soft）

2、按图片分离loss

原则：图片不同dr对应loss的权值，与图里目标的尺度分布有关。
要求：一张图片里的所有目标的权值处理一致，最终效果相当于给loss加了权值（pos_ins与neg_ins对应的权值都要同步修改）。
Bug注意：由于两个stage（init、refine）assigner不同、匹配策略不同，造成它们输出的匹配上的（matched）proposals数量不同。

细节proposal: valid_flags和unmap_outputs==True：由于生成的anchor可能不在图片里（inside_flag==False），因此匹配前先去掉这些proposal，匹配完返回前再映射回最初的proposals。

• 提升惊喜

• 疑问：效果!=给loss加权值
• ，在跟loss的过程发现
  FocalLoss
  origin
  weight: 0.7098

• 区间外losses_pts_refine全0 [Bug]

用什么区间、mean or median、什么soft_weight函数形式、...都是消融实验的问题，首先能肯定是：这是有性能提升的
而现在最需要验证的是：分离loss与FPN分层相结合，是否有效

3、FPN assigned by layers

[ Here]

4、Predictor

卡住没啥进展，就会感觉抑郁

---

实验记录 （倒序）

Separate-instance

	epoch 1	2	...	9	10	11	12
	23.2	23.3	...	27.9	28.1	28.0	28.5	29.6
	23.4	23.5	...	27.9	28.2	28.2	28.6
								29.4
	24.0	24.3	...	27.9	28.2	28.1	28.7	29.3

说明：1）instance：对soft_weight敏感，0.3优于0.9
2）似乎FPN与soft此消彼长

Separate-image

	epoch 1	2	3	4	5	6	7	8	9	10	11	12	上界
	25.0	24.8	25.0	23.7	24.4	23.5	23.3	23.9				28.4	29.0
	24.9 24.8	24.6 25.4	24.9 25.2	24.6 23.8	24.7 24.6	24.5 23.9	23.6 23.8	24.2 23.7	28.2 27.4	28.0 27.4	28.1 27.4	28.4 -	29.0
												28.4	29.0

说明：image：对soft_weight不敏感

	epoch 1	2	3	4	5	6	7	8	9	10	11	12
	21.7	21.7	21.7	21.1	22.2	22.0	21.4	21.7	27.0	27.3	27.3	28.0
	21.0	21.6	21.5	21.2	21.5	24.6	24.1	23.7	27.5	27.6	27.7	28.0
	21.1	21.1	20.7	-	-	-	-	-	-	-	-	-

说明：区间95比258将样本集合划分地更松散，区间95对应小目标（）的范围更小，猜测具有更好的区分度

AP：PR面积
mAP：某iou_thr下所有类别的AP
mmAP：所有iou_thr

• 修改pth文件的epoch
  

  

• 按图片分开算loss
  

  

• env对了 0.5h
  

  

• 首次功能实现 24h
  

  

• debug 24h *n
  --> 新建多个不必要的高维tensor
  --> , 同步异常变大--> num_total_samples_refine=0?
  训几轮后出 --> if None: pass

• 
  分析：评测代码有bug？No 依赖的模型正确导入？算法本身bug（一张图多个实例共享一个dr）？

• 算法：

input: dr in [0.25, 0.33, 0.5]

key: 根据dr，选出对应的proposals
    [x] 从backbone传dr至head.loss
        or 计算f_map得dr
    [] label,gt_weights = filter_weights(dr, label_weights: (b, w, h), bbox_weights: (???))

key1: 算dr
    # 传dr
    # AnchorFreeHead :: BaseDenseHead.forward_train()
    # ResNet_DR.forward(x, dr) ??? dr from who
key2: for layer in 多层:

---

参考：
[1] 多尺度训练 web
[2] python区间 interval(1,2)