机器学习30:关于FasterRCNN代码中三个Creator及四个损失的补充
这是关于Faster RCNN的第四篇博客，之前写过机器学习17:FasterRCNN简介，机器学习18:RPN区域候选网络简介主要是基于原理和流程上的简介，转载了Faster RCNN的代码流程梳理【转载整理】，主要是从代码的角度梳理Faster RCNN的流程。
目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)及同作者的另外三篇博客详细分析了FasterRCNN的pytorch代码实现，但是“代码目录/simple-faster-rcnn-pytorch-master/model/”中的部分代码解析还尚未完成。
本文主要对代码中“creator tools.py”中的三个Creator类及FasterRCNN的四部分损失的解释进行补充，pytorch源码依然是基于 目标检测之Faster-RCNN的pytorch代码详解(数据预处理篇)中的pytorch代码。
1.三个Creator类：
（1） AnchorTargetCreator：
AnchorTargetCreator负责在训练RPN网络时，从上万个Anchor中选出正负样本比例约为1:1的一些样本（如256个），并给出训练的位置参数目标。
AnchorTargetCreator 是RPN网络中的一部分，用于RPN的自身训练。
（2） ProposalCreator ：
RPN网络的两个功能为：
1）自我训练：二分类问题，BBox回归。（由AnchorTargetCreator实现）
2）向ROIHead提供ROIs：（由ProposalCreator实现）
因此 ProposalCreator是RPN网络的一部分，功能是从上万个Anchor中选定一定数目（如2000个）调整大小和位置，生成ROIs，用以后续检测网络的训练和测试。
ProposalCreator与AnchorTargetCreator其实并无交集。ProposalCreator 用1*1卷积的输出loc和score和20000个Anchor来筛选出最终的2000个ROIs；AnchorTargetCreator所做的事情就是自我训练，输出真实值来和1*1卷积的输出loc和score进行训练，优化RPN网络，这样ProposalCreator 筛选选出来的2000个ROI质量也会提高，所以二者唯一的共同点就是都利用了预测的loc/score及20000个原始anchor坐标！
（3) ProposalTargetCreator：
ProposalTargetCreator是ROIHead的一部分，功能是从RPN网络给出的2000个Anchor中继续筛选，选取其中一部分样本（如128个）用于检测网络训练，并给出训练目标。
2.四个损失函数：
（1）RPN分类损失：
二分类问题，256个样本参与，正负样本比例约为1:1。
预测值：RPN网络1*1卷积的输出；
真实值：AnchorTargetCreator生成的GrouthTruth。
（2）RPN位置回归损失：
回归样本数是所有20000个Anchor中完整出现在原图范围中的部分。
预测值：RPN网络另一组1*1卷积的输出；
真实值：AnchorTargetCreator生成的GrouthTruth。
（3）ROI分类损失：
21分类问题，128个样本参与，正负样本比例约为1:3。
预测值：全连接层FC21的输出；
真实值：ProposalTargetCreator生成的GrouthTruth。
（4）ROI位置回归损失：
二分类问题，128个样本参与，只对其中的正样本计算回归损失。
预测值：全连接层FC84的输出；
真实值：ProposalTargetCreator生成的GrouthTruth。
3.参考文献：
Faster_RCNN 2.模型准备(上)，作者的其它几篇讲解FasterRCNN的pytorch代码的博客也值得一看。
