faster rcnn主要包括两部分：rpn网络和rcnn网络。rpn网络用于保留在图像内部的archors，同时得到这些archors是正样本还是负样本还是不关注。最终训练时通过nms保留最多2000个archors，测试时保留300个archors。另一方面，rpn网络会提供256个archors给rcnn网络，用于rcnn分类及回归坐标位置。

下文将主要介绍RPN网络和分类回归网络，构建网络的代码为network.py中的_build_network()函数：

  def _build_network(self, is_training=True):# select initializersif cfg.TRAIN.TRUNCATED:initializer = tf.truncated_normal_initializer(mean=0.0, stddev=0.01)initializer_bbox = tf.truncated_normal_initializer(mean=0.0, stddev=0.001)else:initializer = tf.random_normal_initializer(mean=0.0, stddev=0.01)initializer_bbox = tf.random_normal_initializer(mean=0.0, stddev=0.001)net_conv = self._image_to_head(is_training)with tf.variable_scope(self._scope, self._scope):# build the anchors for the imageself._anchor_component()# region proposal networkrois = self._region_proposal(net_conv, is_training, initializer)# region of interest poolingif cfg.POOLING_MODE == 'crop':pool5 = self._crop_pool_layer(net_conv, rois, "pool5")else:raise NotImplementedErrorfc7 = self._head_to_tail(pool5, is_training)with tf.variable_scope(self._scope, self._scope):# region classificationcls_prob, bbox_pred = self._region_classification(fc7, is_training, initializer, initializer_bbox)self._score_summaries.update(self._predictions)return rois, cls_prob, bbox_pred

_build_network用于创建网络
_build_network = _image_to_head + //得到输入图像的特征
_anchor_component + //得到所有可能的archors在原始图像中的坐标（可能超出图像边界）及archors的数量
_region_proposal + //对输入特征进行处理，最终得到2000个archors（训练）或300个archors（测试）
_crop_pool_layer + //将256个archors裁剪出来，并缩放到7*7的固定大小，得到特征
_head_to_tail + //将256个archors的特征增加fc及dropout，得到4096维的特征
_region_classification // 增加fc层及dropout层，用于rcnn的分类及回归总体流程：网络通过vgg1-5得到特征net_conv后，送入rpn网络得到候选区域archors，去除超出图像边界的archors并选出2000个archors用于训练rpn网络（300个用于测试）。并进一步选择256个archors（用于rcnn分类）。之后将这256个archors的特征根据rois进行裁剪缩放及pooling，得到相同大小7*7的特征pool5，pool5通过两个fc层得到4096维特征fc7，fc7送入_region_classification（2个并列的fc层），得到21维的cls_score和21*4维的bbox_pred。

1、cfg.TRAIN.TRUNCATED

cfg是定义在model/config.py文件中，cfg中定义了动量项，学习率，衰减率等等，

__C.TRAIN.TRUNCATED = False   # 是否使用截断的正态分布初始化权重

easydict的作用：可以使得以属性的方式去访问字典的值！
>>> from easydict import EasyDict as edict
>>> d = edict({'foo':3, 'bar':{'x':1, 'y':2}})
>>> d.bar.x
1

2、tf.truncated_normal_initializer 表示从截断的正态分布中输出随机值。生成的值服从具有指定平均值和标准偏差的正态分布，如果生成的值大于平均值2个标准偏差的值则丢弃重新选择。

ARGS：

mean：一个python标量或一个标量张量。要生成的随机值的均值。
stddev：一个python标量或一个标量张量。要生成的随机值的标准偏差。
seed：一个Python整数。用于创建随机种子。查看 tf.set_random_seed 行为。
dtype：数据类型。只支持浮点类型。

这是神经网络权重和过滤器的推荐初始值。

3、tf.random_normal_initializer 用正态分布产生张量的初始化器.这两个函数的输入参数几乎完全一致，而其主要的区别在于，tf.truncated_normal的输出如字面意思是截断的，而截断的标准是2倍的stddev。

举例，当输入参数mean = 0 ， stddev =1时，使用tf.truncated_normal的输出是不可能出现[-2,2]以外的点的，而如果shape够大的话，tf.random_normal却会产生2.2或者2.4之类的输出。

4、net_conv = self._image_to_head(is_training)

_image_to_head来自nets/vgg16.py,这个函数主要构造了vgg16网络前5组卷积层，返回一个网络结构。用于得到输入图像的特征。

5、 self._anchor_component() # 生成anchors，在network.py定义的子函数

  def _anchor_component(self):with tf.variable_scope('ANCHOR_' + self._tag) as scope:# just to get the shape rightheight = tf.to_int32(tf.ceil(self._im_info[0] / np.float32(self._feat_stride[0])))width = tf.to_int32(tf.ceil(self._im_info[1] / np.float32(self._feat_stride[0])))if cfg.USE_E2E_TF:anchors, anchor_length = generate_anchors_pre_tf(height,width,self._feat_stride,self._anchor_scales,self._anchor_ratios)else:anchors, anchor_length = tf.py_func(generate_anchors_pre,[height, width,self._feat_stride, self._anchor_scales, self._anchor_ratios],[tf.float32, tf.int32], name="generate_anchors")anchors.set_shape([None, 4])anchor_length.set_shape([])self._anchors = anchors       #赋值self._anchor_length = anchor_length  #赋值

5.1、_tag。。。。。。

5.2、_im_info，在network.py文件中：

查找blobs函数，在minibatch.py文件中：

_get_image_blob定义在test.py文件中，返回值为：5.3、_feat_stride[0]在vgg16.py文件中，表示一共缩放了16倍height = tf.to_int32(tf.ceil(self._im_info[0] / np.float32(self._feat_stride[0])))
width = tf.to_int32(tf.ceil(self._im_info[1] / np.float32(self._feat_stride[0])))
得到输出的特征图的尺寸

5.4、_anchor_scales由create_architecture函数定义

5.5、generate_anchors_pre_tf函数定义在layer_utils/snippets.py文件

函数调用了generate_anchors函数，该函数定义在layer_utils/generate_anchors.py文件中，用于产生anchor框。

generate_anchors_pre_tf函数，返回 return tf.cast(anchors_tf, dtype=tf.float32)（框的坐标点位置）, length（框的个数）

总结：_anchor_component：用于得到所有可能的archors在原始图像中的坐标（可能超出图像边界）及archors的数量（特征图宽*特征图高*9）。该函数使用的self._im_info，为一个3维向量，[0]代表图像宽，[1]代表图像高，[2]代表图像缩放的比例（将图像宽缩放到600，或高缩放到1000的最小比例，比如缩放到600*900、850*1000）。该函数调用generate_anchors_pre_tf并进一步调用generate_anchors来得到所有可能的archors在原始图像中的坐标及archors的个数（由于图像大小不一样，因而最终archor的个数也不一样）。

generate_anchors_pre_tf步骤如下：

1. 通过_ratio_enum得到archor时，使用 (0, 0, 15, 15) 的基准窗口，先通过ratio=[0.5,1,2]的比例得到archors。ratio指的是像素总数（宽*高）的比例，而不是宽或者高的比例，得到如下三个archor（每个archor为左上角和右下角的坐标）：

2. 而后在通过scales=(8, 16, 32)得到放大倍数后的archors。scales时，将上面的每个都直接放大对应的倍数，最终得到9个archors（每个archor为左上角和右下角的坐标）。将上面三个archors分别放大就行了。

3. 之后通过tf.add(anchor_constant, shifts)得到缩放后的每个点的9个archor在原始图的矩形框。anchor_constant：1*9*4。shifts：N*1*4。N为缩放后特征图的像素数。将维度从N*9*4变换到(N*9)*4，得到缩放后的图像每个点在原始图像中的archors。

def _anchor_component(self):with tf.variable_scope('ANCHOR_' + self._tag) as scope:height = tf.to_int32(tf.ceil(self._im_info[0] / np.float32(self._feat_stride[0])))  # 图像经过vgg16得到特征图的宽高width = tf.to_int32(tf.ceil(self._im_info[1] / np.float32(self._feat_stride[0])))if cfg.USE_E2E_TF:# 通过特征图宽高、_feat_stride（特征图相对原始图缩小的比例）及_anchor_scales、_anchor_ratios得到原始图像上# 所有可能的archors（坐标可能超出原始图像边界）和archor的数量anchors, anchor_length = generate_anchors_pre_tf(height, width, self._feat_stride, self._anchor_scales, self._anchor_ratios )else:anchors, anchor_length = tf.py_func(generate_anchors_pre,[height, width, self._feat_stride, self._anchor_scales, self._anchor_ratios], [tf.float32, tf.int32], name="generate_anchors")anchors.set_shape([None, 4])   # 起点坐标，终点坐标，共4个值anchor_length.set_shape([])self._anchors = anchorsself._anchor_length = anchor_lengthdef generate_anchors_pre_tf(height, width, feat_stride=16, anchor_scales=(8, 16, 32), anchor_ratios=(0.5, 1, 2)):shift_x = tf.range(width) * feat_stride  # 得到所有archors在原始图像的起始x坐标：(0,feat_stride,2*feat_stride...)shift_y = tf.range(height) * feat_stride  # 得到所有archors在原始图像的起始y坐标：(0,feat_stride,2*feat_stride...)shift_x, shift_y = tf.meshgrid(shift_x, shift_y) # shift_x：height个(0,feat_stride,2*feat_stride...);shift_y：width个(0,feat_stride,2*feat_stride...)'sx = tf.reshape(shift_x, shape=(-1,)) # 0,feat_stride,2*feat_stride...0,feat_stride,2*feat_stride...0,feat_stride,2*feat_stride...sy = tf.reshape(shift_y, shape=(-1,)) # 0,0,0...feat_stride,feat_stride,feat_stride...2*feat_stride,2*feat_stride,2*feat_stride..shifts = tf.transpose(tf.stack([sx, sy, sx, sy])) # width*height个四位矩阵K = tf.multiply(width, height)  # 特征图总共像素数shifts = tf.transpose(tf.reshape(shifts, shape=[1, K, 4]), perm=(1, 0, 2)) # 增加一维，变成1*(width*height)*4矩阵，而后变换维度为(width*height)*1*4矩阵anchors = generate_anchors(ratios=np.array(anchor_ratios), scales=np.array(anchor_scales))  #得到9个archors的在原始图像中的四个坐标（放大比例默认为16）A = anchors.shape[0]   # A=9anchor_constant = tf.constant(anchors.reshape((1, A, 4)), dtype=tf.int32) # anchors增加维度为1*9*4length = K * A  # 总共的archors的个数（每个点对应A=9个archor，共K=height*width个点）# 1*9*4的base archors和(width*height)*1*4的偏移矩阵进行broadcast相加，得到(width*height)*9*4，并改变形状为(width*height*9)*4，得到所有的archors的四个坐标anchors_tf = tf.reshape(tf.add(anchor_constant, shifts), shape=(length, 4))return tf.cast(anchors_tf, dtype=tf.float32), lengthdef generate_anchors(base_size=16, ratios=[0.5, 1, 2], scales=2 ** np.arange(3, 6)):"""Generate anchor (reference) windows by enumerating aspect ratios X scales wrt a reference (0, 0, 15, 15) window."""base_anchor = np.array([1, 1, base_size, base_size]) - 1  # base archor的四个坐标ratio_anchors = _ratio_enum(base_anchor, ratios)  # 通过ratio得到3个archors的坐标（3*4矩阵）anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales) for i in range(ratio_anchors.shape[0])]) # 3*4矩阵变成9*4矩阵，得到9个archors的坐标return anchorsdef _whctrs(anchor):""" Return width, height, x center, and y center for an anchor (window). """w = anchor[2] - anchor[0] + 1  # 宽h = anchor[3] - anchor[1] + 1  # 高x_ctr = anchor[0] + 0.5 * (w - 1)  # 中心xy_ctr = anchor[1] + 0.5 * (h - 1)  # 中心yreturn w, h, x_ctr, y_ctrdef _mkanchors(ws, hs, x_ctr, y_ctr):""" Given a vector of widths (ws) and heights (hs) around a center (x_ctr, y_ctr), output a set of anchors (windows)."""ws = ws[:, np.newaxis]  # 3维向量变成3*1矩阵hs = hs[:, np.newaxis]  # 3维向量变成3*1矩阵anchors = np.hstack((x_ctr - 0.5 * (ws - 1), y_ctr - 0.5 * (hs - 1), x_ctr + 0.5 * (ws - 1), y_ctr + 0.5 * (hs - 1)))  # 3*4矩阵return anchorsdef _ratio_enum(anchor, ratios):  # 缩放比例为像素总数的比例，而非单独宽或者高的比例""" Enumerate a set of anchors for each aspect ratio wrt an anchor. """w, h, x_ctr, y_ctr = _whctrs(anchor)  # 得到中心位置和宽高size = w * h    # 总共像素数size_ratios = size / ratios  # 缩放比例ws = np.round(np.sqrt(size_ratios))  # 缩放后的宽,3维向量(值由大到小)hs = np.round(ws * ratios)     # 缩放后的高，两个3维向量对应元素相乘，为3维向量（值由小到大）anchors = _mkanchors(ws, hs, x_ctr, y_ctr)  # 根据中心及宽高得到3个archors的四个坐标return anchorsdef _scale_enum(anchor, scales):""" Enumerate a set of anchors for each scale wrt an anchor. """w, h, x_ctr, y_ctr = _whctrs(anchor)    # 得到中心位置和宽高ws = w * scales    # 得到宽的放大倍数hs = h * scales    # 得到宽的放大倍数anchors = _mkanchors(ws, hs, x_ctr, y_ctr)  # 根据中心及宽高得到3个archors的四个坐标return anchors

6、 rois = self._region_proposal(net_conv, is_training, initializer) # RPN网络，_region_proposal定义在network.py文件，调用_softmax_layer函数计算损失函数。

_region_proposal用于将vgg16的conv5的特征通过3*3的滑动窗得到rpn特征，进行两条并行的线路，分别送入cls和reg网络。cls网络判断通过1*1的卷积得到archors是正样本还是负样本（由于archors过多，还有可能有不关心的archors，使用时只使用正样本和负样本），用于二分类rpn_cls_score；

reg网络对通过1*1的卷积回归出archors的坐标偏移rpn_bbox_pred。这两个网络共用3*3 conv（rpn）。由于每个位置有k个archor，因而每个位置均有2k个soores和4k个coordinates。

cls（将输入的512维降低到2k维）：3*3 conv + 1*1 conv（2k个scores，k为每个位置archors个数，如9）

在第一次使用_reshape_layer时，由于输入bottom为1*？*？*18，先得到caffe中的数据顺序（tf为batchsize*height*width*channels，caffe中为batchsize*channels*height*width）to_caffe：1*18*？*？，而后reshape后得到reshaped为1*2*？*？，最后在转回tf的顺序to_tf为1*？*？*2，得到rpn_cls_score_reshape。之后通过rpn_cls_prob_reshape（softmax的值，只针对最后一维，即2计算softmax），得到概率rpn_cls_prob_reshape（其最大值，即为预测值rpn_cls_pred），再次_reshape_layer，得到1*？*？*18的rpn_cls_prob，为原始的概率。

reg（将输入的512维降低到4k维）：3*3 conv + 1*1 conv（4k个coordinates，k为每个位置archors个数，如9）。

def _region_proposal(self, net_conv, is_training, initializer):  # 对输入特征图进行处理rpn = slim.conv2d(net_conv, cfg.RPN_CHANNELS, [3, 3], trainable=is_training, weights_initializer=initializer, scope="rpn_conv/3x3")  #3*3的conv，作为rpn网络self._act_summaries.append(rpn)rpn_cls_score = slim.conv2d(rpn, self._num_anchors * 2, [1, 1], trainable=is_training, weights_initializer=initializer,  # _num_anchors为9padding='VALID', activation_fn=None, scope='rpn_cls_score')    #1*1的conv，得到每个位置的9个archors分类特征1*？*？*(9*2)（二分类），判断当前archors是正样本还是负样本rpn_cls_score_reshape = self._reshape_layer(rpn_cls_score, 2, 'rpn_cls_score_reshape') # 1*？*？*18==>1*(?*9)*?*2rpn_cls_prob_reshape = self._softmax_layer(rpn_cls_score_reshape, "rpn_cls_prob_reshape")  # 以最后一维为特征长度，得到所有特征的概率1*(?*9)*?*2rpn_cls_pred = tf.argmax(tf.reshape(rpn_cls_score_reshape, [-1, 2]), axis=1, name="rpn_cls_pred")  # 得到每个位置的9个archors预测的类别，(1*?*9*?)的列向量rpn_cls_prob = self._reshape_layer(rpn_cls_prob_reshape, self._num_anchors * 2, "rpn_cls_prob")  # 变换会原始维度1*(?*9)*?*2==>1*?*?*(9*2)rpn_bbox_pred = slim.conv2d(rpn, self._num_anchors * 4, [1, 1], trainable=is_training, weights_initializer=initializer,padding='VALID', activation_fn=None, scope='rpn_bbox_pred')    #1*1的conv，每个位置的9个archors回归位置偏移1*？*？*(9*4)if is_training:# 每个位置的9个archors的类别概率和每个位置的9个archors的回归位置偏移得到post_nms_topN=2000个archors的位置（包括全0的batch_inds）及为1的概率rois, roi_scores = self._proposal_layer(rpn_cls_prob, rpn_bbox_pred, "rois")rpn_labels = self._anchor_target_layer(rpn_cls_score, "anchor")   # rpn_labels：特征图中每个位置对应的是正样本、负样本还是不关注with tf.control_dependencies([rpn_labels]):  # Try to have a deterministic order for the computing graph, for reproducibilityrois, _ = self._proposal_target_layer(rois, roi_scores, "rpn_rois")  #通过post_nms_topN个archors的位置及为1（正样本）的概率得到256个rois（第一列的全0更新为每个archors对应的类别）及对应信息else:if cfg.TEST.MODE == 'nms':# 每个位置的9个archors的类别概率和每个位置的9个archors的回归位置偏移得到post_nms_topN=300个archors的位置（包括全0的batch_inds）及为1的概率rois, _ = self._proposal_layer(rpn_cls_prob, rpn_bbox_pred, "rois")elif cfg.TEST.MODE == 'top':rois, _ = self._proposal_top_layer(rpn_cls_prob, rpn_bbox_pred, "rois")else:raise NotImplementedErrorself._predictions["rpn_cls_score"] = rpn_cls_score  # 每个位置的9个archors是正样本还是负样本self._predictions["rpn_cls_score_reshape"] = rpn_cls_score_reshape  # 每个archors是正样本还是负样本self._predictions["rpn_cls_prob"] = rpn_cls_prob   # 每个位置的9个archors是正样本和负样本的概率self._predictions["rpn_cls_pred"] = rpn_cls_pred   # 每个位置的9个archors预测的类别，(1*?*9*?)的列向量self._predictions["rpn_bbox_pred"] = rpn_bbox_pred  # 每个位置的9个archors回归位置偏移self._predictions["rois"] = rois   # 256个archors的类别（第一维）及位置（后四维）return rois  # 返回256个archors的类别（第一维，训练时为每个archors的类别，测试时全0）及位置（后四维）def _reshape_layer(self, bottom, num_dim, name):input_shape = tf.shape(bottom)with tf.variable_scope(name) as scope:to_caffe = tf.transpose(bottom, [0, 3, 1, 2])  # NHWC（TF数据格式）变成NCHW（caffe格式）reshaped = tf.reshape(to_caffe, tf.concat(axis=0, values=[[1, num_dim, -1], [input_shape[2]]]))  # 1*(num_dim*9)*?*?==>1*num_dim*(9*?)*?  或 1*num_dim*(9*?)*?==>1*(num_dim*9)*?*?to_tf = tf.transpose(reshaped, [0, 2, 3, 1])return to_tfdef _softmax_layer(self, bottom, name):if name.startswith('rpn_cls_prob_reshape'):    # bottom：1*(?*9)*?*2input_shape = tf.shape(bottom)bottom_reshaped = tf.reshape(bottom, [-1, input_shape[-1]])   # 只保留最后一维，用于计算softmax的概率，其他的全合并：1*(?*9)*?*2==>(1*?*9*?)*2reshaped_score = tf.nn.softmax(bottom_reshaped, name=name)  # 得到所有特征的概率return tf.reshape(reshaped_score, input_shape)   # (1*?*9*?)*2==>1*(?*9)*?*2return tf.nn.softmax(bottom, name=name)

rpn_cls_pred = tf.argmax(tf.reshape(rpn_cls_score_reshape, [-1, 2]), axis=1, name="rpn_cls_pred") tf.reshape(rpn_cls_score_reshape, [-1, 2])把rpn_cls_score_reshape（1,2,9*H,W）变形为（9*H*W，2）的矩阵；argmax，在矩阵行中最大值的索引，返回一个（9*H*W，1）的列向量，向量中元素值为0,1，分别代表9*H*W个anchor属于前景还是背景。

6.1、_proposal_layer

rois, roi_scores = self._proposal_layer(rpn_cls_prob, rpn_bbox_pred, "rois")

_proposal_layer调用proposal_layer_tf，通过(N*9)*4个archors，计算估计后的坐标（bbox_transform_inv_tf），并对坐标进行裁剪（clip_boxes_tf）及非极大值抑制（tf.image.non_max_suppression，得到符合条件的索引indices的archors：rois及这些archors为正样本的概率：rpn_scores。rois为m*5维（后四位是roi的两个坐标点，第一位是标志位，先设为全0），rpn_scores为m*1维，其中m为经过非极大值抑制后得到的候选区域个数（训练时2000个，测试时300个）。m*5的第一列为全为0的batch_inds，后4列为坐标（坐上+右下）

def _proposal_layer(self, rpn_cls_prob, rpn_bbox_pred, name):  #每个位置的9个archors的类别概率和每个位置的9个archors的回归位置偏移得到post_nms_topN个archors的位置及为1的概率with tf.variable_scope(name) as scope:if cfg.USE_E2E_TF:  # post_nms_topN*5的rois（第一列为全0的batch_inds，后4列为坐标）；rpn_scores：post_nms_topN*1个对应的为1的概率rois, rpn_scores = proposal_layer_tf(rpn_cls_prob, rpn_bbox_pred, self._im_info, self._mode, self._feat_stride, self._anchors, self._num_anchors)else:rois, rpn_scores = tf.py_func(proposal_layer, [rpn_cls_prob, rpn_bbox_pred, self._im_info, self._mode,self._feat_stride, self._anchors, self._num_anchors], [tf.float32, tf.float32], name="proposal")rois.set_shape([None, 5])rpn_scores.set_shape([None, 1])return rois, rpn_scoresdef proposal_layer_tf(rpn_cls_prob, rpn_bbox_pred, im_info, cfg_key, _feat_stride, anchors, num_anchors):  #每个位置的9个archors的类别概率和每个位置的9个archors的回归位置偏移if type(cfg_key) == bytes:cfg_key = cfg_key.decode('utf-8')pre_nms_topN = cfg[cfg_key].RPN_PRE_NMS_TOP_Npost_nms_topN = cfg[cfg_key].RPN_POST_NMS_TOP_N  # 训练时为2000，测试时为300nms_thresh = cfg[cfg_key].RPN_NMS_THRESH   # nms的阈值，为0.7scores = rpn_cls_prob[:, :, :, num_anchors:]    # 1*?*?*(9*2)取后9个：1*?*?*9。应该是前9个代表9个archors为背景景的概率，后9个代表9个archors为前景的概率（二分类，只有背景和前景）scores = tf.reshape(scores, shape=(-1,))        # 所有的archors为1的概率rpn_bbox_pred = tf.reshape(rpn_bbox_pred, shape=(-1, 4))     # 所有的archors的四个坐标proposals = bbox_transform_inv_tf(anchors, rpn_bbox_pred)   # 已知archor和偏移求预测的坐标proposals = clip_boxes_tf(proposals, im_info[:2])    # 限制预测坐标在原始图像上indices = tf.image.non_max_suppression(proposals, scores, max_output_size=post_nms_topN, iou_threshold=nms_thresh)    # 通过nms得到分值最大的post_nms_topN个坐标的索引boxes = tf.gather(proposals, indices)   # 得到post_nms_topN个对应的坐标boxes = tf.to_float(boxes)scores = tf.gather(scores, indices)    # 得到post_nms_topN个对应的为1的概率scores = tf.reshape(scores, shape=(-1, 1))batch_inds = tf.zeros((tf.shape(indices)[0], 1), dtype=tf.float32)    # Only support single image as inputblob = tf.concat([batch_inds, boxes], 1)  # post_nms_topN*1个batch_inds和post_nms_topN*4个坐标concat，得到post_nms_topN*5的blobreturn blob, scoresdef bbox_transform_inv_tf(boxes, deltas):    # 已知archor和偏移求预测的坐标boxes = tf.cast(boxes, deltas.dtype)widths = tf.subtract(boxes[:, 2], boxes[:, 0]) + 1.0     # 宽heights = tf.subtract(boxes[:, 3], boxes[:, 1]) + 1.0     # 高ctr_x = tf.add(boxes[:, 0], widths * 0.5)             # 中心xctr_y = tf.add(boxes[:, 1], heights * 0.5)            # 中心ydx = deltas[:, 0]      # 预测的dxdy = deltas[:, 1]      # 预测的dydw = deltas[:, 2]      # 预测的dwdh = deltas[:, 3]      # 预测的dhpred_ctr_x = tf.add(tf.multiply(dx, widths), ctr_x)      # 公式2已知xa，wa，tx反过来求预测的x中心坐标pred_ctr_y = tf.add(tf.multiply(dy, heights), ctr_y)     # 公式2已知ya，ha，ty反过来求预测的y中心坐标pred_w = tf.multiply(tf.exp(dw), widths)         # 公式2已知wa，tw反过来求预测的wpred_h = tf.multiply(tf.exp(dh), heights)        # 公式2已知ha，th反过来求预测的hpred_boxes0 = tf.subtract(pred_ctr_x, pred_w * 0.5)  # 预测的框的起始和终点四个坐标pred_boxes1 = tf.subtract(pred_ctr_y, pred_h * 0.5)pred_boxes2 = tf.add(pred_ctr_x, pred_w * 0.5)pred_boxes3 = tf.add(pred_ctr_y, pred_h * 0.5)return tf.stack([pred_boxes0, pred_boxes1, pred_boxes2, pred_boxes3], axis=1)def clip_boxes_tf(boxes, im_info):   # 限制预测坐标在原始图像上b0 = tf.maximum(tf.minimum(boxes[:, 0], im_info[1] - 1), 0)b1 = tf.maximum(tf.minimum(boxes[:, 1], im_info[0] - 1), 0)b2 = tf.maximum(tf.minimum(boxes[:, 2], im_info[1] - 1), 0)b3 = tf.maximum(tf.minimum(boxes[:, 3], im_info[0] - 1), 0)return tf.stack([b0, b1, b2, b3], axis=1)

6.2、rpn_labels = self._anchor_target_layer(rpn_cls_score, "anchor")

通过_anchor_target_layer首先去除archors中边界超出图像的archors。而后通过bbox_overlaps计算archors（N*4）和gt_boxes（M*4）的重叠区域的值overlaps（N*M），并得到每个archor对应的最大的重叠ground_truth的值max_overlaps（1*N），以及ground_truth的背景对应的最大重叠archors的值gt_max_overlaps（1*M）和每个背景对应的archor的位置gt_argmax_overlaps。之后通过_compute_targets计算anchors和最大重叠位置的gt_boxes的变换后的坐标bbox_targets（见公式2后四个）。最后通过_unmap在变换回和原始的archors一样大小的rpn_labels（archors是正样本、负样本还是不关注）。将archors对应的正样本的重叠区域中小于阈值的置0；将archors对应的正样本的重叠区域中大于阈值的置1；如果有过多的正样本，将多于的正样本设置为不关注

def _anchor_target_layer(self, rpn_cls_score, name):  # rpn_cls_score:每个位置的9个archors分类特征1*？*？*(9*2)with tf.variable_scope(name) as scope:# rpn_labels; 特征图中每个位置对应的是正样本、负样本还是不关注（去除了边界在图像外面的archors）# rpn_bbox_targets:# 特征图中每个位置和对应的正样本的坐标偏移（很多为0）# rpn_bbox_inside_weights:  正样本的权重为1（去除负样本和不关注的样本，均为0）# rpn_bbox_outside_weights:  正样本和负样本（不包括不关注的样本）归一化的权重rpn_labels, rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights = tf.py_func(anchor_target_layer, [rpn_cls_score, self._gt_boxes, self._im_info, self._feat_stride, self._anchors, self._num_anchors],[tf.float32, tf.float32, tf.float32, tf.float32], name="anchor_target")rpn_labels.set_shape([1, 1, None, None])rpn_bbox_targets.set_shape([1, None, None, self._num_anchors * 4])rpn_bbox_inside_weights.set_shape([1, None, None, self._num_anchors * 4])rpn_bbox_outside_weights.set_shape([1, None, None, self._num_anchors * 4])rpn_labels = tf.to_int32(rpn_labels, name="to_int32")self._anchor_targets['rpn_labels'] = rpn_labels  # 特征图中每个位置对应的是正样本、负样本还是不关注（去除了边界在图像外面的archors）self._anchor_targets['rpn_bbox_targets'] = rpn_bbox_targets  # 特征图中每个位置和对应的正样本的坐标偏移（很多为0）self._anchor_targets['rpn_bbox_inside_weights'] = rpn_bbox_inside_weights  #  正样本的权重为1（去除负样本和不关注的样本，均为0）self._anchor_targets['rpn_bbox_outside_weights'] = rpn_bbox_outside_weights  #   正样本和负样本（不包括不关注的样本）归一化的权重self._score_summaries.update(self._anchor_targets)return rpn_labelsdef anchor_target_layer(rpn_cls_score, gt_boxes, im_info, _feat_stride, all_anchors, num_anchors):# 1*？*？*(9*2); ?*5; 3; [16], ?*4; [9]"""Same as the anchor target layer in original Fast/er RCNN """A = num_anchors   # [9]total_anchors = all_anchors.shape[0]   # 所有archors的个数，9*特征图宽*特征图高 个K = total_anchors / num_anchors_allowed_border = 0  # allow boxes to sit over the edge by a small amountheight, width = rpn_cls_score.shape[1:3]  # rpn网络得到的特征的高宽inds_inside = np.where(  # 所有archors边界可能超出图像，取在图像内部的archors的索引(all_anchors[:, 0] >= -_allowed_border) & (all_anchors[:, 1] >= -_allowed_border) &(all_anchors[:, 2] < im_info[1] + _allowed_border) &  # width(all_anchors[:, 3] < im_info[0] + _allowed_border)  # height)[0]anchors = all_anchors[inds_inside, :]   # 得到在图像内部archors的坐标labels = np.empty((len(inds_inside),), dtype=np.float32)  # label: 1 正样本, 0 负样本, -1 不关注labels.fill(-1)# 计算每个anchors:n*4和每个真实位置gt_boxes:m*4的重叠区域的比的矩阵:n*moverlaps = bbox_overlaps(np.ascontiguousarray(anchors, dtype=np.float), np.ascontiguousarray(gt_boxes, dtype=np.float))argmax_overlaps = overlaps.argmax(axis=1)  # 找到每行最大值的位置，即每个archors对应的正样本的位置，得到n维的行向量max_overlaps = overlaps[np.arange(len(inds_inside)), argmax_overlaps]  # 取出每个archors对应的正样本的重叠区域，n维向量gt_argmax_overlaps = overlaps.argmax(axis=0)  # 找到每列最大值的位置，即每个真实位置对应的archors的位置，得到m维的行向量gt_max_overlaps = overlaps[gt_argmax_overlaps, np.arange(overlaps.shape[1])]  # 取出每个真实位置对应的archors的重叠区域，m维向量gt_argmax_overlaps = np.where(overlaps == gt_max_overlaps)[0]  # 得到从小到大顺序的位置if not cfg.TRAIN.RPN_CLOBBER_POSITIVES:   # assign bg labels first so that positive labels can clobber them first set the negativeslabels[max_overlaps < cfg.TRAIN.RPN_NEGATIVE_OVERLAP] = 0  # 将archors对应的正样本的重叠区域中小于阈值的置0labels[gt_argmax_overlaps] = 1  # fg label: for each gt, anchor with highest overlap 每个真实位置对应的archors置1labels[max_overlaps >= cfg.TRAIN.RPN_POSITIVE_OVERLAP] = 1 # fg label: above threshold IOU 将archors对应的正样本的重叠区域中大于阈值的置1if cfg.TRAIN.RPN_CLOBBER_POSITIVES:  # assign bg labels last so that negative labels can clobber positiveslabels[max_overlaps < cfg.TRAIN.RPN_NEGATIVE_OVERLAP] = 0# 如果有过多的正样本，则只随机选择num_fg=0.5*256=128个正样本num_fg = int(cfg.TRAIN.RPN_FG_FRACTION * cfg.TRAIN.RPN_BATCHSIZE)  # subsample positive labels if we have too manyfg_inds = np.where(labels == 1)[0]if len(fg_inds) > num_fg:disable_inds = npr.choice(fg_inds, size=(len(fg_inds) - num_fg), replace=False)labels[disable_inds] = -1   # 将多于的正样本设置为不关注# 如果有过多的负样本，则只随机选择 num_bg=256-正样本个数 个负样本num_bg = cfg.TRAIN.RPN_BATCHSIZE - np.sum(labels == 1)  # subsample negative labels if we have too manybg_inds = np.where(labels == 0)[0]if len(bg_inds) > num_bg:disable_inds = npr.choice(bg_inds, size=(len(bg_inds) - num_bg), replace=False)labels[disable_inds] = -1   # 将多于的负样本设置为不关注bbox_targets = np.zeros((len(inds_inside), 4), dtype=np.float32)bbox_targets = _compute_targets(anchors, gt_boxes[argmax_overlaps, :])  # 通过archors和archors对应的正样本计算坐标的偏移bbox_inside_weights = np.zeros((len(inds_inside), 4), dtype=np.float32)bbox_inside_weights[labels == 1, :] = np.array(cfg.TRAIN.RPN_BBOX_INSIDE_WEIGHTS)  # 正样本的四个坐标的权重均设置为1bbox_outside_weights = np.zeros((len(inds_inside), 4), dtype=np.float32)if cfg.TRAIN.RPN_POSITIVE_WEIGHT < 0:  # uniform weighting of examples (given non-uniform sampling)num_examples = np.sum(labels >= 0)   # 正样本和负样本的总数（去除不关注的样本）positive_weights = np.ones((1, 4)) * 1.0 / num_examples   # 归一化的权重negative_weights = np.ones((1, 4)) * 1.0 / num_examples   # 归一化的权重else:assert ((cfg.TRAIN.RPN_POSITIVE_WEIGHT > 0) & (cfg.TRAIN.RPN_POSITIVE_WEIGHT < 1))positive_weights = (cfg.TRAIN.RPN_POSITIVE_WEIGHT / np.sum(labels == 1))negative_weights = ((1.0 - cfg.TRAIN.RPN_POSITIVE_WEIGHT) / np.sum(labels == 0))bbox_outside_weights[labels == 1, :] = positive_weights     # 归一化的权重bbox_outside_weights[labels == 0, :] = negative_weights     # 归一化的权重# 由于上面使用了inds_inside，此处将labels，bbox_targets，bbox_inside_weights，bbox_outside_weights映射到原始的archors（包含未知# 参数超出图像边界的archors）对应的labels，bbox_targets，bbox_inside_weights，bbox_outside_weights，同时将不需要的填充fill的值labels = _unmap(labels, total_anchors, inds_inside, fill=-1)bbox_targets = _unmap(bbox_targets, total_anchors, inds_inside, fill=0)bbox_inside_weights = _unmap(bbox_inside_weights, total_anchors, inds_inside, fill=0)  # 所有archors中正样本的四个坐标的权重均设置为1，其他为0bbox_outside_weights = _unmap(bbox_outside_weights, total_anchors, inds_inside, fill=0)labels = labels.reshape((1, height, width, A)).transpose(0, 3, 1, 2)   # (1*？*？)*9==>1*？*？*9==>1*9*？*？labels = labels.reshape((1, 1, A * height, width))  # 1*9*？*？==>1*1*(9*？)*？rpn_labels = labels  # 特征图中每个位置对应的是正样本、负样本还是不关注（去除了边界在图像外面的archors）bbox_targets = bbox_targets.reshape((1, height, width, A * 4))  # 1*(9*？)*？*4==>1*？*？*(9*4)rpn_bbox_targets = bbox_targets  # 特征图中每个位置和对应的正样本的坐标偏移（很多为0）bbox_inside_weights = bbox_inside_weights.reshape((1, height, width, A * 4))  # 1*(9*？)*？*4==>1*？*？*(9*4)rpn_bbox_inside_weights = bbox_inside_weightsbbox_outside_weights = bbox_outside_weights.reshape((1, height, width, A * 4))  # 1*(9*？)*？*4==>1*？*？*(9*4)rpn_bbox_outside_weights = bbox_outside_weights    #   归一化的权重return rpn_labels, rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weightsdef _unmap(data, count, inds, fill=0):""" Unmap a subset of item (data) back to the original set of items (of size count) """if len(data.shape) == 1:ret = np.empty((count,), dtype=np.float32)   # 得到1维矩阵ret.fill(fill)   # 默认填充fill的值ret[inds] = data   # 有效位置填充具体数据else:ret = np.empty((count,) + data.shape[1:], dtype=np.float32)  # 得到对应维数的矩阵ret.fill(fill)    # 默认填充fill的值ret[inds, :] = data   # 有效位置填充具体数据return retdef _compute_targets(ex_rois, gt_rois):"""Compute bounding-box regression targets for an image."""assert ex_rois.shape[0] == gt_rois.shape[0]assert ex_rois.shape[1] == 4assert gt_rois.shape[1] == 5# 通过公式2后四个，结合archor和对应的正样本的坐标计算坐标的偏移return bbox_transform(ex_rois, gt_rois[:, :4]).astype(np.float32, copy=False)  # 由于gt_rois是5列，去掉最后一列的batch_indsdef bbox_transform(ex_rois, gt_rois):ex_widths = ex_rois[:, 2] - ex_rois[:, 0] + 1.0  # archor的宽ex_heights = ex_rois[:, 3] - ex_rois[:, 1] + 1.0  # archor的高ex_ctr_x = ex_rois[:, 0] + 0.5 * ex_widths  #archor的中心xex_ctr_y = ex_rois[:, 1] + 0.5 * ex_heights  #archor的中心ygt_widths = gt_rois[:, 2] - gt_rois[:, 0] + 1.0  # 真实正样本wgt_heights = gt_rois[:, 3] - gt_rois[:, 1] + 1.0   # 真实正样本hgt_ctr_x = gt_rois[:, 0] + 0.5 * gt_widths      # 真实正样本中心xgt_ctr_y = gt_rois[:, 1] + 0.5 * gt_heights     # 真实正样本中心ytargets_dx = (gt_ctr_x - ex_ctr_x) / ex_widths    # 通过公式2后四个的x*，xa，wa得到dxtargets_dy = (gt_ctr_y - ex_ctr_y) / ex_heights   # 通过公式2后四个的y*，ya，ha得到dytargets_dw = np.log(gt_widths / ex_widths)        # 通过公式2后四个的w*，wa得到dwtargets_dh = np.log(gt_heights / ex_heights)      # 通过公式2后四个的h*，ha得到dhtargets = np.vstack((targets_dx, targets_dy, targets_dw, targets_dh)).transpose()return targets

6.3、_proposal_target_layer

_proposal_target_layer调用proposal_target_layer，并进一步调用_sample_rois从之前_proposal_layer中选出的2000个archors筛选出256个archors。_sample_rois将正样本数量固定为最大64（小于时补负样本），并根据公式2对坐标归一化，通过_get_bbox_regression_labels得到bbox_targets。用于rcnn的分类及回归。该层只在训练时使用；测试时，直接选择了300个archors，不需要该层了。

def _proposal_target_layer(self, rois, roi_scores, name):  # post_nms_topN个archors的位置及为1（正样本）的概率# 只在训练时使用该层，从post_nms_topN个archors中选择256个archorswith tf.variable_scope(name) as scope:# labels：正样本和负样本对应的真实的类别# rois：从post_nms_topN个archors中选择256个archors（第一列的全0更新为每个archors对应的类别）# roi_scores：256个archors对应的为正样本的概率# bbox_targets：256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0# bbox_inside_weights：256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0# bbox_outside_weights：256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0rois, roi_scores, labels, bbox_targets, bbox_inside_weights, bbox_outside_weights = tf.py_func(proposal_target_layer, [rois, roi_scores, self._gt_boxes, self._num_classes],[tf.float32, tf.float32, tf.float32, tf.float32, tf.float32, tf.float32], name="proposal_target")rois.set_shape([cfg.TRAIN.BATCH_SIZE, 5])roi_scores.set_shape([cfg.TRAIN.BATCH_SIZE])labels.set_shape([cfg.TRAIN.BATCH_SIZE, 1])bbox_targets.set_shape([cfg.TRAIN.BATCH_SIZE, self._num_classes * 4])bbox_inside_weights.set_shape([cfg.TRAIN.BATCH_SIZE, self._num_classes * 4])bbox_outside_weights.set_shape([cfg.TRAIN.BATCH_SIZE, self._num_classes * 4])self._proposal_targets['rois'] = roisself._proposal_targets['labels'] = tf.to_int32(labels, name="to_int32")self._proposal_targets['bbox_targets'] = bbox_targetsself._proposal_targets['bbox_inside_weights'] = bbox_inside_weightsself._proposal_targets['bbox_outside_weights'] = bbox_outside_weightsself._score_summaries.update(self._proposal_targets)return rois, roi_scoresdef proposal_target_layer(rpn_rois, rpn_scores, gt_boxes, _num_classes):"""Assign object detection proposals to ground-truth targets. Produces proposal classification labels and bounding-box regression targets."""# Proposal ROIs (0, x1, y1, x2, y2) coming from RPN (i.e., rpn.proposal_layer.ProposalLayer), or any other sourceall_rois = rpn_rois  # rpn_rois为post_nms_topN*5的矩阵all_scores = rpn_scores  # rpn_scores为post_nms_topN的矩阵，代表对应的archors为正样本的概率if cfg.TRAIN.USE_GT:    # Include ground-truth boxes in the set of candidate rois;  USE_GT=False，未使用这段代码zeros = np.zeros((gt_boxes.shape[0], 1), dtype=gt_boxes.dtype)all_rois = np.vstack((all_rois, np.hstack((zeros, gt_boxes[:, :-1]))))all_scores = np.vstack((all_scores, zeros))   # not sure if it a wise appending, but anyway i am not using itnum_images = 1  # 该程序只能一次处理一张图片rois_per_image = cfg.TRAIN.BATCH_SIZE / num_images  # 每张图片中最终选择的roisfg_rois_per_image = np.round(cfg.TRAIN.FG_FRACTION * rois_per_image)   # 正样本的个数：0.25*rois_per_image# Sample rois with classification labels and bounding box regression targets# labels：正样本和负样本对应的真实的类别# rois：从post_nms_topN个archors中选择256个archors（第一列的全0更新为每个archors对应的类别）# roi_scores：256个archors对应的为正样本的概率# bbox_targets：256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0# bbox_inside_weights：256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0labels, rois, roi_scores, bbox_targets, bbox_inside_weights = _sample_rois(all_rois, all_scores, gt_boxes, fg_rois_per_image, rois_per_image, _num_classes) # 选择256个archorsrois = rois.reshape(-1, 5)roi_scores = roi_scores.reshape(-1)labels = labels.reshape(-1, 1)bbox_targets = bbox_targets.reshape(-1, _num_classes * 4)bbox_inside_weights = bbox_inside_weights.reshape(-1, _num_classes * 4)bbox_outside_weights = np.array(bbox_inside_weights > 0).astype(np.float32) # 256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0return rois, roi_scores, labels, bbox_targets, bbox_inside_weights, bbox_outside_weightsdef _get_bbox_regression_labels(bbox_target_data, num_classes):"""Bounding-box regression targets (bbox_target_data) are stored in a compact form N x (class, tx, ty, tw, th)This function expands those targets into the 4-of-4*K representation used by the network (i.e. only one class has non-zero targets).Returns:bbox_target (ndarray): N x 4K blob of regression targetsbbox_inside_weights (ndarray): N x 4K blob of loss weights"""clss = bbox_target_data[:, 0]  # 第1列，为类别bbox_targets = np.zeros((clss.size, 4 * num_classes), dtype=np.float32)   # 256*(4*21)的矩阵bbox_inside_weights = np.zeros(bbox_targets.shape, dtype=np.float32)inds = np.where(clss > 0)[0]   # 正样本的索引for ind in inds:cls = clss[ind]  # 正样本的类别start = int(4 * cls)  # 每个正样本的起始坐标end = start + 4       # 每个正样本的终止坐标（由于坐标为4）bbox_targets[ind, start:end] = bbox_target_data[ind, 1:]   # 对应的坐标偏移赋值给对应的类别bbox_inside_weights[ind, start:end] = cfg.TRAIN.BBOX_INSIDE_WEIGHTS   # 对应的权重(1.0, 1.0, 1.0, 1.0)赋值给对应的类别# bbox_targets：256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0# bbox_inside_weights：256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0return bbox_targets, bbox_inside_weightsdef _compute_targets(ex_rois, gt_rois, labels):"""Compute bounding-box regression targets for an image."""assert ex_rois.shape[0] == gt_rois.shape[0]assert ex_rois.shape[1] == 4assert gt_rois.shape[1] == 4targets = bbox_transform(ex_rois, gt_rois)  # 通过公式2后四个，结合256个archor和对应的正样本的坐标计算坐标的偏移if cfg.TRAIN.BBOX_NORMALIZE_TARGETS_PRECOMPUTED:  # Optionally normalize targets by a precomputed mean and stdevtargets = ((targets - np.array(cfg.TRAIN.BBOX_NORMALIZE_MEANS)) / np.array(cfg.TRAIN.BBOX_NORMALIZE_STDS))   # 坐标减去均值除以标准差，进行归一化return np.hstack((labels[:, np.newaxis], targets)).astype(np.float32, copy=False)  # 之前的bbox第一列为全0，此处第一列为对应的类别def _sample_rois(all_rois, all_scores, gt_boxes, fg_rois_per_image, rois_per_image, num_classes):  # all_rois第一列全0，后4列为坐标；gt_boxes前4列为坐标，最后一列为类别"""Generate a random sample of RoIs comprising foreground and background examples."""# 计算archors和gt_boxes重叠区域面积的比值overlaps = bbox_overlaps(np.ascontiguousarray(all_rois[:, 1:5], dtype=np.float), np.ascontiguousarray(gt_boxes[:, :4], dtype=np.float)) # overlaps: (rois x gt_boxes)gt_assignment = overlaps.argmax(axis=1)  # 得到每个archors对应的gt_boxes的索引max_overlaps = overlaps.max(axis=1)   # 得到每个archors对应的gt_boxes的重叠区域的值labels = gt_boxes[gt_assignment, 4]   # 得到每个archors对应的gt_boxes的类别# 每个archors对应的gt_boxes的重叠区域的值大于阈值的作为正样本，得到正样本的索引fg_inds = np.where(max_overlaps >= cfg.TRAIN.FG_THRESH)[0]  # Select foreground RoIs as those with >= FG_THRESH overlap# Guard against the case when an image has fewer than fg_rois_per_image. Select background RoIs as those within [BG_THRESH_LO, BG_THRESH_HI)# 每个archors对应的gt_boxes的重叠区域的值在给定阈值内的作为负样本，得到负样本的索引bg_inds = np.where((max_overlaps < cfg.TRAIN.BG_THRESH_HI) & (max_overlaps >= cfg.TRAIN.BG_THRESH_LO))[0]# Small modification to the original version where we ensure a fixed number of regions are sampled# 最终选择256个archorsif fg_inds.size > 0 and bg_inds.size > 0: # 正负样本均存在，则选择最多fg_rois_per_image个正样本，不够的话，补充负样本fg_rois_per_image = min(fg_rois_per_image, fg_inds.size)fg_inds = npr.choice(fg_inds, size=int(fg_rois_per_image), replace=False)bg_rois_per_image = rois_per_image - fg_rois_per_imageto_replace = bg_inds.size < bg_rois_per_imagebg_inds = npr.choice(bg_inds, size=int(bg_rois_per_image), replace=to_replace)elif fg_inds.size > 0:  # 只有正样本，选择rois_per_image个正样本to_replace = fg_inds.size < rois_per_imagefg_inds = npr.choice(fg_inds, size=int(rois_per_image), replace=to_replace)fg_rois_per_image = rois_per_imageelif bg_inds.size > 0: # 只有负样本，选择rois_per_image个负样本to_replace = bg_inds.size < rois_per_imagebg_inds = npr.choice(bg_inds, size=int(rois_per_image), replace=to_replace)fg_rois_per_image = 0else:import pdbpdb.set_trace()keep_inds = np.append(fg_inds, bg_inds)  # 正样本和负样本的索引labels = labels[keep_inds]  # 正样本和负样本对应的真实的类别labels[int(fg_rois_per_image):] = 0  # 负样本对应的类别设置为0rois = all_rois[keep_inds]    # 从post_nms_topN个archors中选择256个archorsroi_scores = all_scores[keep_inds]  # 256个archors对应的为正样本的概率# 通过256个archors的坐标和每个archors对应的gt_boxes的坐标及这些archors的真实类别得到坐标偏移（将rois第一列的全0更新为每个archors对应的类别）bbox_target_data = _compute_targets(rois[:, 1:5], gt_boxes[gt_assignment[keep_inds], :4], labels)# bbox_targets：256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0# bbox_inside_weights：256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0bbox_targets, bbox_inside_weights = _get_bbox_regression_labels(bbox_target_data, num_classes)# labels：正样本和负样本对应的真实的类别# rois：从post_nms_topN个archors中选择256个archors（第一列的全0更新为每个archors对应的类别）# roi_scores：256个archors对应的为正样本的概率# bbox_targets：256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0# bbox_inside_weights：256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0return labels, rois, roi_scores, bbox_targets, bbox_inside_weights

6.3.1、bbox_overlaps

bbox_overlaps用于计算archors和ground truth box重叠区域的面积

7、_crop_pool_layer

_crop_pool_layer用于将256个archors从特征图中裁剪出来缩放到14*14，并进一步max pool到7*7的固定大小，得到特征，方便rcnn网络分类及回归坐标。该函数先得到特征图对应的原始图像的宽高，而后将原始图像对应的rois进行归一化，并使用tf.image.crop_and_resize（该函数需要归一化的坐标信息）缩放到[cfg.POOLING_SIZE * 2, cfg.POOLING_SIZE * 2]，最后通过slim.max_pool2d进行pooling，输出大小依旧一样（256*7*7*512）。

tf.slice(rois, [0, 0], [-1, 1])是对输入进行切片。其中第二个参数为起始的坐标，第三个参数为切片的尺寸。注意，对于二维输入，后两个参数均为y，x的顺序；对于三维输入，后两个均为z，y，x的顺序。当第三个参数为-1时，代表取整个该维度。上面那句是将roi的从0,0开始第一列的数据（y为-1，代表所有行，x为1，代表第一列）

8、_head_to_tail

_head_to_tail用于将上面得到的256个archors的特征增加两个fc层（ReLU）和两个dropout（train时有，test时无），降维到4096维，用于_region_classification的分类及回归。

9、_region_classification

fc7通过_region_classification进行分类及回归。fc7先通过fc层（无ReLU）降维到21层（类别数，得到cls_score），得到概率cls_prob及预测值cls_pred（用于rcnn的分类）。另一方面fc7通过fc层（无ReLU），降维到21*4，得到bbox_pred（用于rcnn的回归）。

def _region_classification(self, fc7, is_training, initializer, initializer_bbox):# 增加fc层，输出为总共类别的个数，进行分类cls_score = slim.fully_connected(fc7, self._num_classes, weights_initializer=initializer, trainable=is_training, activation_fn=None, scope='cls_score')cls_prob = self._softmax_layer(cls_score, "cls_prob")  # 得到每一类别的概率cls_pred = tf.argmax(cls_score, axis=1, name="cls_pred")  # 得到预测的类别# 增加fc层，预测位置信息的偏移bbox_pred = slim.fully_connected(fc7, self._num_classes * 4, weights_initializer=initializer_bbox, trainable=is_training, activation_fn=None, scope='bbox_pred')self._predictions["cls_score"] = cls_score   # 用于rcnn分类的256个archors的特征self._predictions["cls_pred"] = cls_predself._predictions["cls_prob"] = cls_probself._predictions["bbox_pred"] = bbox_predreturn cls_prob, bbox_pred

总结：通过以上步骤，完成了网络的创建rois, cls_prob, bbox_pred = self._build_network(training)。

rois：256*5

cls_prob：256*21（类别数）

bbox_pred：256*84（类别数*4）

损失函数_add_losses

faster rcnn包括两个损失：rpn网络的损失+rcnn网络的损失。其中每个损失又包括分类损失和回归损失。分类损失使用的是交叉熵，回归损失使用的是smooth L1 loss。

程序通过_add_losses增加对应的损失函数。其中rpn_cross_entropy和rpn_loss_box是RPN网络的两个损失，cls_score和bbox_pred是rcnn网络的两个损失。前两个损失用于判断archor是否是ground truth（二分类）；后两个损失的batchsize是256。

将rpn_label(1,?,?,2)中不是-1的index取出来，之后将rpn_cls_score(1,?,?,2)及rpn_label中对应于index的取出，计算sparse_softmax_cross_entropy_with_logits，得到rpn_cross_entropy。

计算rpn_bbox_pred(1,?,?,36)和rpn_bbox_targets(1,?,?,36)的_smooth_l1_loss，得到rpn_loss_box。

计算cls_score（256*21）和label（256）的sparse_softmax_cross_entropy_with_logits：cross_entropy。

计算bbox_pred（256*84）和bbox_targets（256*84）的_smooth_l1_loss：loss_box。

最终将上面四个loss相加，得到总的loss（还需要加上regularization_loss）。

def _add_losses(self, sigma_rpn=3.0):with tf.variable_scope('LOSS_' + self._tag) as scope:rpn_cls_score = tf.reshape(self._predictions['rpn_cls_score_reshape'], [-1, 2])  # 每个archors是正样本还是负样本rpn_label = tf.reshape(self._anchor_targets['rpn_labels'], [-1])  # 特征图中每个位置对应的是正样本、负样本还是不关注（去除了边界在图像外面的archors）rpn_select = tf.where(tf.not_equal(rpn_label, -1))    # 不关注的archor到的索引rpn_cls_score = tf.reshape(tf.gather(rpn_cls_score, rpn_select), [-1, 2])    # 去除不关注的archorrpn_label = tf.reshape(tf.gather(rpn_label, rpn_select), [-1])        # 去除不关注的labelrpn_cross_entropy = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=rpn_cls_score, labels=rpn_label))  # rpn二分类的损失rpn_bbox_pred = self._predictions['rpn_bbox_pred']  #  每个位置的9个archors回归位置偏移rpn_bbox_targets = self._anchor_targets['rpn_bbox_targets']   # 特征图中每个位置和对应的正样本的坐标偏移（很多为0）rpn_bbox_inside_weights = self._anchor_targets['rpn_bbox_inside_weights']  # 正样本的权重为1（去除负样本和不关注的样本，均为0）rpn_bbox_outside_weights = self._anchor_targets['rpn_bbox_outside_weights']   #   正样本和负样本（不包括不关注的样本）归一化的权重rpn_loss_box = self._smooth_l1_loss(rpn_bbox_pred, rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights, sigma=sigma_rpn, dim=[1, 2, 3])cls_score = self._predictions["cls_score"]  # 用于rcnn分类的256个archors的特征label = tf.reshape(self._proposal_targets["labels"], [-1])   # 正样本和负样本对应的真实的类别cross_entropy = tf.reduce_mean(tf.nn.sparse_softmax_cross_entropy_with_logits(logits=cls_score, labels=label))   # rcnn分类的损失bbox_pred = self._predictions['bbox_pred']   # RCNN, bbox lossbbox_targets = self._proposal_targets['bbox_targets']    # 256*(4*21)的矩阵，只有为正样本时，对应类别的坐标才不为0，其他类别的坐标全为0bbox_inside_weights = self._proposal_targets['bbox_inside_weights']  # 256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0bbox_outside_weights = self._proposal_targets['bbox_outside_weights']   # 256*(4*21)的矩阵，正样本时，对应类别四个坐标的权重为1，其他全为0loss_box = self._smooth_l1_loss(bbox_pred, bbox_targets, bbox_inside_weights, bbox_outside_weights)self._losses['cross_entropy'] = cross_entropyself._losses['loss_box'] = loss_boxself._losses['rpn_cross_entropy'] = rpn_cross_entropyself._losses['rpn_loss_box'] = rpn_loss_boxloss = cross_entropy + loss_box + rpn_cross_entropy + rpn_loss_box  # 总共的损失regularization_loss = tf.add_n(tf.losses.get_regularization_losses(), 'regu')self._losses['total_loss'] = loss + regularization_lossself._event_summaries.update(self._losses)return loss

程序中先计算pred和target的差box_diff，而后得到正样本的差in_box_diff（通过乘以权重bbox_inside_weights将负样本设置为0）及绝对值abs_in_box_diff，之后计算上式(3)中的符号smoothL1_sign，并得到的smooth L1 loss：in_loss_box，乘以bbox_outside_weights权重，并得到最终的loss：loss_box

from：https://www.cnblogs.com/darkknightzh/p/10043864.html#_lab2_0_0

from：https://blog.csdn.net/u012457308/article/details/79566195

faster rcnn的tensorflow代码的理解相关推荐

【资源】Faster R-CNN原理及代码讲解电子书
<Faster R-CNN原理及代码讲解>是首发于GiantPandaCV公众号的教程,针对陈云大佬实现的Faster R-CNN代码讲解,Github链接如下: https://gith ...
从Tensorflow代码中理解LSTM网络
目录 RNN LSTM 参考文档与引子缩略词 RNN (Recurrent neural network) 循环神经网络 LSTM (Long short-term memory) 长短期记忆人 ...
（转）Faster R-CNN的训练过程的理解
转载链接:http://blog.csdn.net/weixin_40449426/article/details/78141635 我才刚刚学习Faster R-CNN,看了好多博客,觉得对知识点讲 ...
tf-faster-rcnn代码学习．目标检测（Tensorflow版Faster R-CNN）
TF-Faster R-CNN 电脑配置代码来源环境配置 demo测试参考博客训练自己的数据集测试阶段 Tensorboard查看收敛情况电脑配置系统:Ubuntu 16.04 GPU型 ...
faster rcnn的理解
结构: faster rcnn是fast rcnn的改进版,一个更快的算法.为了理解faster rcnn,建议读者先理解fast rcnn, fast rcnn结构的理解,可以参考我的一篇博客:fa ...
eclipse 下安装PyDev并导入faster rcnn python代码调试
Python在算法研究应用非常广泛,最近要研究faster rcnn的python代码,就得学习python,所以就需要一个趁手的工具来看python代码,否则只是用文本编译器找代码实在是太影响效率了 ...
OCR：深度学习-目标检测-超详细图解Faster R-CNN
版权声明:本文为博主原创文章,转载请标明原始博文地址: https://blog.csdn.net/yuanlulu/article/details/86769589 本文动机说实话,介绍Faste ...
faster rcnn论文_【论文解读】精读Faster RCNN
Faster R-CNN论文链接: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 推荐代 ...
详细的Faster R-CNN源码解析之RPN源码解析
在阔别了将近三个月之后,笔者又准备更新博客了.对于前两个多月的未及时更新,笔者在此向大家表示歉意,请大家原谅. 本次博客的更新是关于Faster R-CNN的源码.首先说一下笔者为什么要更新Faste ...

faster rcnn的tensorflow代码的理解

损失函数_add_losses

faster rcnn的tensorflow代码的理解相关推荐

最新文章

热门文章