Jiaming Han

@DangChuong-DC You are right. The codebase of ReDet is a rather early version of mmdet, and some ops do not suport running on cpu. I suggest to use corresponding ops...

@jigongbao , try `nms_cpu` instead. https://github.com/csuhan/ReDet/blob/0b9addf3c2734659fd6ffc7824f2e659fde4419c/mmdet/ops/nms/nms_wrapper.py#L48-L51

I think the code could run on colab as long as you follow our [INSTALL.md](https://github.com/csuhan/ReDet/blob/master/INSTALL.md), such as (1) cuda 10.0 (2) torch==1.3.1 (3) mmcv==0.2.14 (4) gcc==4.9

请附上测试代码。我们在实现ReResNet之后曾验证过其等变性。

感谢测试。目前代码里的ReResNet输出的tensor确实不是严格等变的。 对比wide_resnet，其网络的输出添加了pooling和linear： https://github.com/QUVA-Lab/e2cnn/blob/cbe6454d93edd551819809f7131ac580e88cc235/examples/e2wrn.py#L386-L390 ``` b, c, w, h = out.shape out = F.avg_pool2d(out, (w, h)) out = out.view(out.size(0), -1) out = self.linear(out) ``` 我们早期版本里曾尝试在每个ResLayer后添加gpooling： ``` def ennGPool(inplanes): in_type = FIELD_TYPE['regular'](gspace,...

@Martin0Li ，前几天我们对ReResNet的等变性做了重新的验证，以及重新实现了ReResNet V2，参考这个[commit](https://github.com/csuhan/ReDet/commit/da091e1b617ddaa5467aa8f2bc40fa42219b31dc)。 目前ReResNet的等变性已经能够验证，参考： https://github.com/csuhan/ReDet/blob/3eae28f784f771fee8e2305f17a69ac8e84567b0/mmcls/models/backbones/re_resnet.py#L625-L659

> @csuhan 我还有一个疑问，为什么ReResNet比ResNet的参数量少呢？期待您的回复，感谢。 在ReResNet中，大小为[32, 3, 3]的卷积核通过group convolution产生的特征图与常规卷积核[32*8, 3, 3]是一致的；即可以简单的理解为ReResNet中卷积核经过一定的变换，复制了N次(N=8)，因此其所需参数较少，仅在运行时进行卷积核变换。

> > > 为什么输入的x的h和w非得是513 801这样的数呢？如果是256 256会怎样啊？ > > > > > > 以偶数特征图输入，旋转等变性就会变差，貌似是e2cnn框架的问题。 > > 那您在redet里面用的输入都是奇数么？如果我目前的工作要求必须输入是偶数就没法用e2cnn了么？ 下面这张图（[https://arxiv.org/pdf/2004.09691.pdf](https://arxiv.org/pdf/2004.09691.pdf)）大概可以解释：  这个问题目前似乎是一个无法调节的矛盾：ResNet等都需要偶数的输入图像（如32*N），且均包含有down sample的模块，但e2cnn这类等变网络在降采样时等变性就会被破坏。 仅针对目标检测问题，相较于来自其他模块的误差（bbox坐标取整， RoI Align线性插值采样），我们认为这里的误差是相对较小的，可接受的。

我们的ReResNet是在ImageNet上预训练过的，ReFPN是随机初始化的。 如果需要使用我们的预训练权重，一般情况下是不会修改ReResNet结构的，可以修改ReFPN或者在原结构后添加新的模块。

what is your full command? dist_train or slurm_train?