(03-16) 21d
這個方法本身可能不起效

實(shí)驗(yàn)方法

資源：
192@pengxk/TOV_mmdetection/

1、按實(shí)例分離loss

• 
  --> algorithm: 根據(jù)dr修改bboxes_weight、labels_weight
• 
  理論分析：原算法bboxes_gt, lables = filter(bboxes_gt, lables)導(dǎo)致大量漏檢。因scale被濾掉的gt，導(dǎo)致其區(qū)域原本的正例被匹配為負(fù)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()

• 
  實(shí)驗(yàn)分析：將filter(dr=[0.25, 0.33, 0.5])的保留區(qū)間都設(shè)為全部（即不過濾），性能與之前一致。說明代碼實(shí)現(xiàn)應(yīng)該正確，可能是算法策略本身的問題。
  解決：嘗試區(qū)間調(diào)參（按數(shù)量劃分>>直接按劃分），性能上升至20+。

改進(jìn)：filter改為soft方式（weight[filtered] = 0>>weight[filtered] = soft）

2、按圖片分離loss

原則：圖片不同dr對應(yīng)loss的權(quán)值，與圖里目標(biāo)的尺度分布有關(guān)。
要求：一張圖片里的所有目標(biāo)的權(quán)值處理一致，最終效果相當(dāng)于給loss加了權(quán)值（pos_ins與neg_ins對應(yīng)的權(quán)值都要同步修改）。
Bug注意：由于兩個stage（init、refine）assigner不同、匹配策略不同，造成它們輸出的匹配上的（matched）proposals數(shù)量不同。

• 提升驚喜

• 疑問：效果!=給loss加權(quán)值
• ，在跟loss的過程發(fā)現(xiàn)
  FocalLoss
  
  origin
  
  
  weight: 0.7098

• 區(qū)間外losses_pts_refine全0 [Bug]

用什么區(qū)間、mean or median、什么soft_weight函數(shù)形式、...都是消融實(shí)驗(yàn)的問題，首先能肯定是：這是有性能提升的
而現(xiàn)在最需要驗(yàn)證的是：分離loss與FPN分層相結(jié)合，是否有效

3、FPN assigned by layers

[ Here]

4、Predictor

卡住沒啥進(jìn)展，就會感覺抑郁

實(shí)驗(yàn)記錄 （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

說明：1）instance：對soft_weight敏感，0.3優(yōu)于0.9
2）似乎FPN與soft此消彼長

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

說明：image：對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	-	-	-	-	-	-	-	-	-

說明：區(qū)間95比258將樣本集合劃分地更松散，區(qū)間95對應(yīng)小目標(biāo)（）的范圍更小，猜測具有更好的區(qū)分度

AP：PR面積
mAP：某iou_thr下所有類別的AP
mmAP：所有iou_thr

• 修改pth文件的epoch
  

• 按圖片分開算loss
  

• env對了 0.5h
  

• 首次功能實(shí)現(xiàn) 24h
  

• debug 24h *n
  --> 新建多個不必要的高維tensor
  --> , 同步異常變大--> num_total_samples_refine=0?
  訓(xùn)幾輪后出 --> if None: pass

• 
  分析：評測代碼有bug？No 依賴的模型正確導(dǎo)入？算法本身bug（一張圖多個實(shí)例共享一個dr）？

• 算法：

input: dr in [0.25, 0.33, 0.5]

key: 根據(jù)dr，選出對應(yīng)的proposals
    [x] 從backbone傳dr至head.loss
        or 計(jì)算f_map得dr
    [] label,gt_weights = filter_weights(dr, label_weights: (b, w, h), bbox_weights: (???))

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

參考：
[1] 多尺度訓(xùn)練 web
[2] python區(qū)間 interval(1,2)