3.代码细节
3.2anchor生成
这里以yolact_base_config为例详解介绍yolact的anchor生成。根据下边的内容可见，设置了五个尺度即scale，并遵循小的特征图上分配大目标的原则，在深层（比如5x5这一层特征图上）分配大尺度的边界框。即5x5特征图上分配384的anchor，9x9的特征图上分配192的anchor，依此类推。并且有三个不同缩放比例，分别是[1,0.5,2],这里采用了开平方对这一比例进行作用，即实际比例是sqrt（[1,0.5,2]），最后利用如下公式计算得到prior的大小。 w = scale * ar / cfg.max_size（1）
h = scale / ar / cfg.max_size（2）
scale:'pred_scales': [[24], [48], [96], [192], [384]]；
FPN输出的五个多尺度特征图：
(69, 69) (35, 35) (18, 18) (9, 9) (5, 5)
3.3 FPN模块
输入：convouts:List[torch.Tensor]
convouts是一个特征图列表，包含三个特征图分别是：torch.Size([1, 512, 69, 69]) torch.Size([1, 1024, 35, 35]) torch.Size([1, 2048, 18, 18])
深层的特征图经过上采样，达到和上一层一样大小的尺度（比如，一个[1x256x18x18]的特征图经过上采样变为[1x256x35x35]），然后将上采样的特征图和该层本身生成的特征图进行融合，一般是按位相加，特别需要注意，由于这两个层级的特征通道数目不一致，所以需要对原始特征层的特征再次进行卷积（保持大小尺度，但是通道数变为和上采样后的特征一样），最终得到三个多尺度的特征输出分别是torch.Size([1, 256, 69, 69]) torch.Size([1, 256, 35, 35]) torch.Size([1, 256, 18, 18])。
