[cherry-pick]add rcnn model doc. (#710)

* Add rcnn model doc.

configs/gcnet/README_cn.md

+# GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond
+
+## 简介
+
+Nonlocal基于自注意力机制，给出了捕捉长时依赖的方法，但是在该论文中，作者通过可视化分析发现，相同图像中对于不同位置点的attention map几乎是一致的，也就是说在Nonlocal计算过程中有很大的资源浪费（冗余计算）。SENet使用全局上下文对不同的通道进行权重标定，计算量很小，但是这样无法充分利用全局上下文信息。论文中作者结合了Nonlocal和SENet两者的优点，提出了GCNet模块，在保证较小计算量的情况下，很好地融合了全局上下文信息。
+
+论文中基于attention map差距很小的现象，设计了simplified nonlocal结构（SNL），结构如下图所示，对所有位置共享全局attention map。
+
+<div align="center">
+    <img src="../../docs/images/models/gcnet_snl_module.png" width="300">
+</div>
+
+
+SNL的网络输出计算如下
+
+<div align="center">
+    <img src="../../docs/images/models/gcnet_snl_out.png" width="400">
+</div>
+
+为进一步减少计算量，将$W_v$提取到attention pooling计算的外面，表示为
+
+<div align="center">
+    <img src="../../docs/images/models/gcnet_snl_out_simple.png" width="400">
+</div>
+
+对应结构如下所示。通过共享attention map，计算量减少为之前的1/WH。
+
+<div align="center">
+    <img src="../../docs/images/models/gcnet_snl_module_simple.png" width="250">
+</div>
+
+SNL模块可以抽象为上下文建模、特征转换和特征聚合三个部分，特征转化部分有大量参数，因此在这里参考SE的结构，最终GC block的结构如下所示。使用两层降维的1*1卷积降低计算量，由于两层卷积参数较难优化，在这里加入layer normalization的正则化层降低优化难度。
+
+<div align="center">
+    <img src="../../docs/images/models/gcnet_gcblock_module.png" width="300">
+</div>
+
+该模块可以很方便地插入到骨干网络中，提升模型的全局上下文表达能力，可以提升检测和分割任务的模型性能。
+
+
+## 模型库
+
+| 骨架网络             | 网络类型 | Context设置     | 每张GPU图片个数 | 学习率策略 |推理时间(fps) | Box AP | Mask AP |                           下载                          | 配置文件 |
+| :---------------------- | :-------------: |  :-------------:  | :-------: | :-----: | :------------: | :----: | :-----: | :----------------------------------------------------------: | :-----: |
+| ResNet50-vd-FPN         | Mask       | GC(c3-c5, r16, add)  |     2     |   2x    |     15.31     |  41.4  |    36.8    | [model](https://paddlemodels.bj.bcebos.com/object_detection/mask_rcnn_r50_vd_fpn_gcb_add_r16_2x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/gcnet/mask_rcnn_r50_vd_fpn_gcb_add_r16_2x.yml) |
+| ResNet50-vd-FPN         | Mask       | GC(c3-c5, r16, mul)  |     2     |   2x    |     15.35     |  40.7  |    36.1    | [model](https://paddlemodels.bj.bcebos.com/object_detection/mask_rcnn_r50_vd_fpn_gcb_mul_r16_2x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/gcnet/mask_rcnn_r50_vd_fpn_gcb_mul_r16_2x.yml) |
+
+
+## 引用
+
+```
+@article{DBLP:journals/corr/abs-1904-11492,
+  author    = {Yue Cao and
+               Jiarui Xu and
+               Stephen Lin and
+               Fangyun Wei and
+               Han Hu},
+  title     = {GCNet: Non-local Networks Meet Squeeze-Excitation Networks and Beyond},
+  journal   = {CoRR},
+  volume    = {abs/1904.11492},
+  year      = {2019},
+  url       = {http://arxiv.org/abs/1904.11492},
+  archivePrefix = {arXiv},
+  eprint    = {1904.11492},
+  timestamp = {Tue, 09 Jul 2019 16:48:55 +0200},
+  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1904-11492},
+  bibsource = {dblp computer science bibliography, https://dblp.org}
+}
+```

configs/iou_loss/README_cn.md

+# Improvements of IOU loss
+
+## 简介
+
+### GIOU loss
+
+IOU是论文中十分常用的指标，它对于物体的尺度并不敏感，在之前的检测任务中，常使用smooth l1 loss计算边框loss，但是该种方法计算出来的loss一方面无法与最终的IOU指标直接对应，同时也对检测框的尺度较为敏感，因此有学者提出将IOU loss作为回归的loss；但是如果IOU为0，则loss为0，同时IOU loss也没有考虑物体方向没有对齐时的loss，该论文基于此进行改进，计算GIOU的方法如下。
+
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_giou_calc.png" width="500">
+</div>
+
+
+最终GIOU loss为1-GIOU所得的值。具体来看，IOU可以直接反映边框与真值之间的交并比，C为能够包含A和B的最小封闭凸物体，因此即使A和B的交并比为0，GIOU也会随着A和B的相对距离而不断变化，因此模型参数可以继续得到优化。在A和B的长宽保持恒定的情况下，两者距离越远，GIOU越小，GIOU loss越大。
+
+使用GIOU loss计算边框损失的流程图如下。
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_giou_pipeline.png" width="500">
+</div>
+
+
+PaddleDetection也开源了基于faster rcnn的GIOU loss实现。使用GIOU loss替换传统的smooth l1 loss，基于faster rcnn的resnet50-vd-fpn 1x实验，coco val mAP能由38.3%提升到39.4%（没有带来任何预测耗时的损失）
+
+
+### DIOU/CIOU loss
+
+GIOU loss解决了IOU loss中预测边框A与真值B的交并比为0时，模型无法给出优化方向的问题，但是仍然有2种情况难以解决，
+1. 当边框A和边框B处于包含关系的时候，GIOU loss退化为IOU loss，此时模型收敛较慢。
+2. 当A与B相交，若A和B的的x1与x2均相等或者y1与y2均相等，GIOU loss仍然会退化为IOU loss，收敛很慢。
+
+基于此，论文提出了DIOU loss与CIOU loss，解决收敛速度慢以及部分条件下无法收敛的问题。
+为加速收敛，论文在改进的loss中引入距离的概念，具体地，边框loss可以定义为如下形式：
+
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_diou_bbox_loss.png" width="250">
+</div>
+
+
+其中 是惩罚项，考虑预测边框与真值的距离损失时，惩罚项可以定义为
+
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_diou_rdiou_penalty.png" width="200">
+</div>
+
+
+其中分子表示预测框与真值边框中心点的欧式距离，分母的c表示预测框与真值边框的最小外包边框的对角长度。因此DIOU loss可以写为
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_diou_diou_final.png" width="280">
+</div>
+
+
+相对于GIOU loss，DIOU loss不仅考虑了IOU，也考虑边框之间的距离，从而加快了模型收敛的速度。但是使用DIOU loss作为边框损失函数时，只考虑了边框的交并比以及中心点的距离，没有考虑到预测边框与真值的长宽比差异的情况，因此论文中提出了CIOU loss，惩罚项添加关于长宽比的约束。具体地，惩罚项定义如下
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_diou_rciou_penalty.png" width="250">
+</div>
+
+
+其中v为惩罚项，α为惩罚系数，定义分别如下
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_diou_v_and_alpha.png" width="330">
+</div>
+
+
+CIOU loss使得在边框回归时，与目标框有重叠甚至包含时能够更快更准确地收敛。
+在NMS阶段，一般的阈值计算为IOU，论文使用了DIOU修正后的阈值，检测框得分的更新方法如下。
+
+<div align="center">
+    <img src="../../docs/images/models/iou_loss_diou_ciou_nms.png" width="350">
+</div>
+
+
+这使得模型效果有进一步的提升。
+
+
+## 模型库
+
+| 骨架网络             | 网络类型 | Loss类型 | Loss权重     | 每张GPU图片个数 | 学习率策略 |推理时间(fps) | Box AP | Mask AP |                           下载                          | 配置文件 |
+| :---------------------- | :------------- | :---: | :---: | :-------: | :-----: | :------------: | :----: | :-----: | :----------------------------------------------------------: | :---: |
+| ResNet50-vd-FPN            | Faster         | GIOU |   10   |    2     |   1x    |     22.94     |  39.4  |    -    | [model](https://paddlemodels.bj.bcebos.com/object_detection/faster_rcnn_r50_vd_fpn_giou_loss_1x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/iou_loss/faster_rcnn_r50_vd_fpn_giou_loss_1x.yml) |
+| ResNet50-vd-FPN            | Faster         | DIOU |   12   |    2     |   1x    |     22.94     |  39.2  |    -    | [model](https://paddlemodels.bj.bcebos.com/object_detection/faster_rcnn_r50_vd_fpn_diou_loss_1x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/iou_loss/faster_rcnn_r50_vd_fpn_diou_loss_1x.yml) |
+| ResNet50-vd-FPN            | Faster         | CIOU |   12   |    2     |   1x    |     22.95     |  39.6  |   -   | [model](https://paddlemodels.bj.bcebos.com/object_detection/faster_rcnn_r50_vd_fpn_ciou_loss_1x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/iou_loss/faster_rcnn_r50_vd_fpn_ciou_loss_1x.yml) |
+
+
+
+## 引用
+
+```
+@article{DBLP:journals/corr/abs-1902-09630,
+  author    = {Seyed Hamid Rezatofighi and
+               Nathan Tsoi and
+               JunYoung Gwak and
+               Amir Sadeghian and
+               Ian D. Reid and
+               Silvio Savarese},
+  title     = {Generalized Intersection over Union: {A} Metric and {A} Loss for Bounding
+               Box Regression},
+  journal   = {CoRR},
+  volume    = {abs/1902.09630},
+  year      = {2019},
+  url       = {http://arxiv.org/abs/1902.09630},
+  archivePrefix = {arXiv},
+  eprint    = {1902.09630},
+  timestamp = {Tue, 21 May 2019 18:03:36 +0200},
+  biburl    = {https://dblp.org/rec/bib/journals/corr/abs-1902-09630},
+  bibsource = {dblp computer science bibliography, https://dblp.org}
+}
+```
+
+- Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression: [https://arxiv.org/abs/1911.08287](https://arxiv.org/abs/1911.08287)
+
+```
+@article{Zheng2019DistanceIoULF,
+  title={Distance-IoU Loss: Faster and Better Learning for Bounding Box Regression},
+  author={Zhaohui Zheng and Ping Wang and Wei Liu and Jinze Li and Rongguang Ye and Dongwei Ren},
+  journal={ArXiv},
+  year={2019},
+  volume={abs/1911.08287}
+}
+```

configs/libra_rcnn/README_cn.md

+# Libra R-CNN: Towards Balanced Learning for Object Detection
+
+## 简介
+
+检测模型训练大多包含3个步骤：候选区域生成与选择、特征提取、类别分类和检测框回归多任务的训练与收敛。
+
+论文主要分析了在检测任务中，三个层面的不均衡现象限制了模型的性能，分别是样本(sample level)、特征(feature level)以及目标级别(objective level)的不均衡，提出了3种方案，用于解决上述三个不均衡的现象。三个解决方法如下。
+
+### IoU-balanced Sampling
+
+Faster RCNN中生成许多候选框之后，使用随机的方法挑选正负样本，但是这导致了一个问题：负样本中有70%的候选框与真值的IOU都在0~0.05之间，分布如下图所示。使用在线难负样本挖掘(OHEM)的方法可以缓解这种情况，但是不同IOU区间的采样样本仍然差距仍然比较大，而且流程复杂。作者提出了均衡的负样本采样策略，即将IOU阈值区间分为K份，在每个子区间都采样相同数量的负样本（如果达不到平均数量，则取所有在该子区间的样本），最终可以保证采样得到的负样本在不同的IOU子区间达到尽量均衡的状态。这种方法思路简单，效果也比OHEM要更好一些。
+
+
+<div align="center">
+    <img src="../../docs/images/models/libra_rcnn_iou_distribution.png" width="600">
+</div>
+
+
+### Balanced Feature Pyramid（BFP）
+
+之前的FPN结构中使用横向连接的操作融合骨干网络的特征，论文中提出了一个如下图，主要包括rescaling, integrating, refining and strengthening，共4个部分。首先将不同层级的特征图缩放到同一尺度，之后对特征图进行加权平均，使用Nonlocal模块进一步提炼特征，最终将提炼后的特征图进行缩放，作为残差项与不同层级的特征图相加，得到最终输出的特征图。这种平衡的特征图金字塔结构相对于标准的FPN在coco数据集上可以带来0.8%左右的精度提升。
+
+<div align="center">
+    <img src="../../docs/images/models/libra_rcnn_pipeline.png" width="800">
+</div>
+
+
+
+### Balanced L1 Loss
+
+物体检测任务中，需要同时优化分类loss与边框的回归loss，当分类得分很高时，即使回归效果很差，也会使得模型有比较高的精度，因此可以考虑增加回归loss的权重。假设bbox loss<=1的边框为inliers（可以被视为简单的样本），bbox loss>1的边框为outliers（可以被视为难样本），假设直接调整所有边框的回归loss，这会导致模型对outliers更加敏感，而且基于smooth l1 loss的边框loss计算方法有以下缺点，当边框为inliers时，其梯度很小，当边框为outliers时，梯度幅值为1。smooth l1 loss的梯度计算方法定义如下。
+
+<div align="center">
+    <img src="../../docs/images/models/libra_rcnn_smooth_l1_equ.png" width="250">
+</div>
+
+
+因此论文考虑增加inliers的梯度值，尽量平衡inliers与outliers的loss梯度比例。最终Libra loss的梯度计算方法如下所示。
+
+<div align="center">
+    <img src="../../docs/images/models/libra_rcnn_libraloss_equ.png" width="300">
+</div>
+
+
+在不同的超参数下，梯度可视化如下图所示。
+
+
+<div align="center">
+    <img src="../../docs/images/models/libra_rcnn_loss_grad.png" width="500">
+</div>
+
+
+可以看出Libra loss与smooth l1 loss对于outliers的梯度是相同的，但是在inliers中，Libra loss的梯度更大一些，从而增大了不同情况下的边框回归loss，平衡了难易边框学习的loss，同时也提升了边框回归效果对检测模型性能的影响。
+
+论文将3个部分融合在一起，在coco两阶段目标检测任务中有1.1%~2.5%的绝对精度提升，效果十分明显。
+
+
+## 模型库
+
+
+| 骨架网络             | 网络类型     | 每张GPU图片个数 | 学习率策略 |推理时间(fps) | Box AP | Mask AP |                           下载                          | 配置文件 |
+| :---------------------- | :-------------:  | :-------: | :-----: | :------------: | :----: | :-----: | :----------------------------------------------------------: | :-----: |
+| ResNet50-vd-BFP         | Faster     |     2     |   1x    |     18.247     |  40.5  |    -    | [model](https://paddlemodels.bj.bcebos.com/object_detection/libra_rcnn_r50_vd_fpn_1x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/libra_rcnn/libra_rcnn_r50_vd_fpn_1x.yml) |
+| ResNet101-vd-BFP         | Faster     |     2     |   1x    |     14.865     |  42.5  |    -    | [model](https://paddlemodels.bj.bcebos.com/object_detection/libra_rcnn_r101_vd_fpn_1x.tar) | [config](https://github.com/PaddlePaddle/PaddleDetection/tree/master/configs/libra_rcnn/libra_rcnn_r101_vd_fpn_1x.yml) |
+
+## 引用
+
+```
+@inproceedings{pang2019libra,
+  title={Libra R-CNN: Towards Balanced Learning for Object Detection},
+  author={Pang, Jiangmiao and Chen, Kai and Shi, Jianping and Feng, Huajun and Ouyang, Wanli and Dahua Lin},
+  booktitle={IEEE Conference on Computer Vision and Pattern Recognition},
+  year={2019}
+}
+```