Comparison to default CenterNet #1
Conversation
zimka
left a comment
zimka
left a comment
There was a problem hiding this comment.
Вроде все ок, никаких баг не нашел.
Но есть проблема прямоугольного представления таблиц
| @@ -1,124 +1,145 @@ | |||
| _base_ = [ | |||
| '../_base_/datasets/coco_detection.py', | |||
There was a problem hiding this comment.
Общее замечание: лучше либо не менять стиль оформления кодовой базы вообще, либо делать это каким-то отдельным коммитом в начале/конце PR, что бы можно было смотреть дифф без изменения форматирования
| dict(type='Collect', keys=['img', 'gt_bboxes', 'gt_labels']) | ||
| test_pad_mode=None, | ||
| ), | ||
| dict(type="Resize", img_scale=(512, 512), keep_ratio=True), |
| category. | ||
| loss_center_heatmap (dict | None): Config of center heatmap loss. | ||
| Default: GaussianFocalLoss. | ||
| loss_wh (dict | None): Config of wh loss. Default: L1Loss. |
There was a problem hiding this comment.
не очень важно, но здесь и в других местах докстринг не соответствут аргументам
| @@ -8,8 +8,7 @@ | |||
| from mmdet.core import multi_apply | |||
There was a problem hiding this comment.
Кажется дифф файла centernet_head.py только стилистический, лучше его просто откатить на мастер
| for j, ct in enumerate(gt_centers): | ||
| ctx_int, cty_int = ct.int() | ||
| ctx, cty = ct | ||
| scale_box_h = (gt_bbox[j][3] - gt_bbox[j][1]) * height_ratio |
There was a problem hiding this comment.
Масштабирование пятна в gt-хитмапе логично в CenterNet при детекции объектов.
Но в CenterCycleNet ведь предсказываются вершины как keypoint - только xy без wh. В таком варианте кажется нет смысла менять размер пятна.
Так и получается как раз картина, при которой углам большой ячейки соответствуют огромные пятна, а угла маленькой - маленькие.
| loss_v2c=loss_v2c, | ||
| ) | ||
|
|
||
| def get_targets(self, gt_bboxes, gt_labels, feat_shape, img_shape, c2v_pred, v2c_pred): |
There was a problem hiding this comment.
Кажется, что подача данных ячеек таблицы в виде COCO-датасета приводит к некорректно реализации Cycle-CenterNet.
Из схемы Cycle-CenterNet в статье и иллюстраций однозначно видно, что сеть предсказыает не-прямоугольные ячейки таблицы.
Но здесь на вход уже подаются прямоугольные ячейки, значит для них можно создать только таргет-хитмап по прямоугольной сетке, значит сеть научится предсказывать только такой прямоугольные ячейки
| ) | ||
| w = 1 - torch.exp(-pi * D_cv) | ||
| pairing_weight[batch_id, 2 * idx + k, cty_int, ctx_int] += w | ||
| pairing_weight[batch_id, 2 * idx + k, v_y_int, v_x_int] += w |
There was a problem hiding this comment.
Кажется, что в код написан корректно, и хотя локация соседа (v_y_in, v_x_int) появится 4 раз у ячеек-соседей, прибавление веса будет каждый раз в разные канал.
Но все же я бы здесь для теста на 1 раз поставил бы assert (pairing_weight[...] == 0), чтобы удостовериться что все ок, а затем бы заменил += на присваивание - так чуть более понятно получится
ArchieAlexArkhipov
force-pushed
the
master
branch
from
96ec47c to
ff77113
Compare
For code review