Spring Cloud微服务架构进阶

2024-03-19 12:05:28

服务注册于发现：服务提供方将自己调用地址注册到服务注册中心，让服务调用方能够方便地找到自己；服务调用方从服务注册中心找到自己需要调用的服务的地址。
负载均衡：服务提供方一般以多个实例的形式提供服务，负载均衡功能能够让服务调用方连接到合适的服务节点。并且，服务节点选择的过程对服务调用方是透明的。
服务网关：服务网关是服务调用的唯一入口，可以在这个组件中实现用户鉴权、动态路由、灰度发布、A/B测试、负载限流等功能。
配置中心：将本地话配置信息注册到配置中心
集成框架：以配置形式将所有微服务组件集成到统一的界面框架下，让用户能够在统一的界面中使用系统。
调用链监控：记录完成一次请求的先后衔接和调用关系，并将这种穿行或并行的调用关系展示出来。
支撑平台：系统的部署、运维、监控等都比单体应用架构更加复杂，大部分工作需要自动化。

文件：590m.com/f/25127180-500761991-149ff6（访问密码：551685）

以下内容无关：

-------------------------------------------分割线---------------------------------------------

最新几年的论文都是在单阶段、Transform上进行发掘提升，基本上2020-2021年二阶段论文全军覆没，这篇博文也是总结2016-2019年的发展，最后一篇CenternetV2比较特殊，不能完全算作传统意义的二阶段网络。

目前什么地方还使用二阶段论文？

比赛场景，经常使用FasterRCNN的变种+其它网络进行联合预测
目标比较小的场景（使用较少，一般用anchor-free、增大输入去代替、分割图像检测）
辅助一阶段使用，和（2）类似但不同。比如检测远距离人形+人脸，方案一：先检测人，后检测人脸，两个都是OneStage。方案二：使用TwoStage网络，第一阶段检测人形，第二阶段检测人脸。当然只有第二类别是第一类别的从属，且是唯一关系才能进行！
一. FasterRCNN
以torchvision给出的demo为例子：

第一阶段，和基础SSD等一阶段操作类似，但是这一阶段会立刻输出候选区域
https://github.com/pytorch/vision/blob/183a722169421c83638e68ee2d8fc5bd3415c4b4/torchvision/models/detection/rpn.py#L29

将候选区域从FPN输出的feature上抠出来

使用ROIPooling对齐候选特征的大小

https://github.com/pytorch/vision/blob/183a722169421c83638e68ee2d8fc5bd3415c4b4/torchvision/ops/poolers.py#L83-L277

第二阶段，直接进行FC细化Reg/Cls，当然这里只能是一个候选区域最多一个目标。
class FastRCNNPredictor(nn.Module):
“”"
Standard classification + bounding box regression layers
for Fast R-CNN.
Args:
in_channels (int): number of input channels
num_classes (int): number of output classes (including background)
“”"

def __init__(self, in_channels, num_classes):
    super(FastRCNNPredictor, self).__init__()
    self.cls_score = nn.Linear(in_channels, num_classes)
    self.bbox_pred = nn.Linear(in_channels, num_classes * 4)

def forward(self, x):
    if x.dim() == 4:
        assert list(x.shape[2:]) == [1, 1]
    x = x.flatten(start_dim=1)
    scores = self.cls_score(x)
    bbox_deltas = self.bbox_pred(x)

    return scores, bbox_deltas

image-20210624170757195
注释：

最后一步FC是参考anchor的做法，首先想到的是self.bbox_pred=nn.Linear(in_channels,4) ，因为已经使用class进行了过滤，没有必要再把regression去使用class再去过滤一遍。当然使用class对回归进行区分，这效果肯定优于单个回归。
我们再进一步延伸，如果在不同的class之下，再使用一种手段（长宽、面积、anchor等）对其进一步划分，比如：假设候选区域数量不变为 P，类别为两类（人形、人脸），进一步使用anchor限制（两个anchor，5和20，比例4倍以内使用5，超过4倍使用20），这样会不会更精细？
上一步我们限制了候选区域数量，能不能使用输入多个不同组的候选区域，后面连接多个不同的predict？这就是后续改进cascadeRCNN的由来。
二. MaskRCNN
第一阶段使用FasterRCNN，RPN网络都相同
第二阶段输出多一个分支 K×m×m , 其中 K 表示种类，m 表示输出分辨率
注意：最后输出的mask大小是固定的，设置大小得根据实际种类而定。这个mask分支和FCN有点区别，这里使用K个feature，然后直接进行二分类操作，而FCN使用单个feature进行多分类操作，目前检测的分类loss都是进行单独的二分类操作。

image-20210624175016872
三. CascadeRCNN
第一阶段和FasterRCNN完全一样

第二阶段使用多个RoiHead层进行级联

下图完全显示了CascadeRCNN的由来

下图（C）仅仅在前向计算的时候使用级联finetune操作，精度也得到一定提升，但是有两个缺陷。1）使用共享的Head-H1，不仅时间没降低，而且参数效果还不好。所以在端侧单阶段目标检测中，一般不使用共享的头，虽然参数减少了，但是计算量一点未变，所以都使用不共享的头。2）都是固定的，不能进行训练，后面的阶段已经处于过拟合状态。
下图（d）最大的缺点就是候选区域固定，非常容易过拟合。有一个优点，后面的stage仅仅进行分类而不进行reg，这是cascade未考虑的。但是，分类分支花费的代价很小，基本影响不到大局，所以讨论的人很少。
下图（b）融合了两者的优点，1）可训练。2）不共享。3）候选区域不同。
image-20210624175552697

码农公寓

相关文章