（原）faster rcnn的tensorflow程式碼的理解
阿新 • • 發佈：2018-11-30
轉載請註明出處：
參考網址：
論文：https://arxiv.org/abs/1506.01497
tf的第三方faster rcnn：https://github.com/endernewton/tf-faster-rcnn
IOU：https://www.cnblogs.com/darkknightzh/p/9043395.html
faster rcnn主要包括兩部分：rpn網路和rcnn網路。rpn網路用於保留在影象內部的archors，同時得到這些archors是正樣本還是負樣本還是不關注。最終訓練時通過nms保留最多2000個archors，測試時保留300個archors。另一方面，rpn網路會提供256個archors給rcnn網路，用於rcnn分類及迴歸座標位置。
Network為基類，vgg16為派生類，過載了Network中的_image_to_head和_head_to_tail。
下面只針對vgg16進行分析。
faster rcnn網路總體結構如下圖所示。
1. 訓練階段：
SolverWrapper通過construct_graph建立網路、train_op等。
construct_graph通過Network的create_architecture建立網路。
1.1 create_architecture
create_architecture通過_build_network具體建立網路模型、損失及其他相關操作，得到rois, cls_prob, bbox_pred，定義如下
1 def create_architecture(self, mode, num_classes, tag=None, anchor_scales=(8, 16, 32), anchor_ratios=(0.5, 1, 2)): 2 self._image = tf.placeholder(tf.float32, shape=[1, None, None, 3]) # 由於影象寬高不定，因而第二維和第三維都是None 3 self._im_info = tf.placeholder(tf.float32, shape=[3]) #View Code影象資訊，高、寬、縮放到寬為600或者高為1000的最小比例 4 self._gt_boxes = tf.placeholder(tf.float32, shape=[None, 5]) # ground truth框的資訊。前四個為位置資訊，最後一個為該框對應的類別（見roi_data_layer/minibatch.py/get_minibatch） 5 self._tag = tag 6 7 self._num_classes = num_classes 8 self._mode = mode 9 self._anchor_scales = anchor_scales 10 self._num_scales = len(anchor_scales) 11 12 self._anchor_ratios = anchor_ratios 13 self._num_ratios = len(anchor_ratios) 14 15 self._num_anchors = self._num_scales * self._num_ratios # self._num_anchors=9 16 17 training = mode == 'TRAIN' 18 testing = mode == 'TEST' 19 20 weights_regularizer = tf.contrib.layers.l2_regularizer(cfg.TRAIN.WEIGHT_DECAY) # handle most of the regularizers here 21 if cfg.TRAIN.BIAS_DECAY: 22 biases_regularizer = weights_regularizer 23 else: 24 biases_regularizer = tf.no_regularizer 25 26 # list as many types of layers as possible, even if they are not used now 27 with arg_scope([slim.conv2d, slim.conv2d_in_plane, slim.conv2d_transpose, slim.separable_conv2d, slim.fully_connected], 28 weights_regularizer=weights_regularizer, biases_regularizer=biases_regularizer, biases_initializer=tf.constant_initializer(0.0)): 29 # rois：256個archors的類別（訓練時為每個archors的類別，測試時全0） 30 # cls_prob：256個archors每一類別的概率 31 # bbox_pred：預測位置資訊的偏移 32 rois, cls_prob, bbox_pred = self._build_network(training) 33 34 layers_to_output = {'rois': rois} 35 36 for var in tf.trainable_variables(): 37 self._train_summaries.append(var) 38 39 if testing: 40 stds = np.tile(np.array(cfg.TRAIN.BBOX_NORMALIZE_STDS), (self._num_classes)) 41 means = np.tile(np.array(cfg.TRAIN.BBOX_NORMALIZE_MEANS), (self._num_classes)) 42 self._predictions["bbox_pred"] *= stds # 訓練時_region_proposal中預測的位置偏移減均值除標準差，因而測試時需要反過來。 43 self._predictions["bbox_pred"] += means 44 else: 45 self._add_losses() 46 layers_to_output.update(self._losses) 47 48 val_summaries = [] 49 with tf.device("/cpu:0"): 50 val_summaries.append(self._add_gt_image_summary()) 51 for key, var in self._event_summaries.items(): 52 val_summaries.append(tf.summary.scalar(key, var)) 53 for key, var in self._score_summaries.items(): 54 self._add_score_summary(key, var) 55 for var in self._act_summaries: 56 self._add_act_summary(var) 57 for var in self._train_summaries: 58 self._add_train_summary(var) 59 60 self._summary_op = tf.summary.merge_all() 61 self._summary_op_val = tf.summary.merge(val_summaries) 62 63 layers_to_output.update(self._predictions) 64 65 return layers_to_output
1.2 _build_network
_build_network用於建立網路
_build_network = _image_to_head + //得到輸入影象的特徵
_anchor_component + //得到所有可能的archors在原始影象中的座標（可能超出影象邊界）及archors的數量
_region_proposal + //對輸入特徵進行處理，最終得到2000個archors（訓練）或300個archors（測試）
_crop_pool_layer + //將256個archors裁剪出來，並縮放到7*7的固定大小，得到特徵
_head_to_tail + //將256個archors的特徵增加fc及dropout，得到4096維的特徵
_region_classification // 增加fc層及dropout層，用於rcnn的分類及迴歸
總體流程：網路通過vgg1-5得到特徵net_conv後，送入rpn網路得到候選區域archors，去除超出影象邊界的archors並選出2000個archors用於訓練rpn網路（300個用於測試）。並進一步選擇256個archors（用於rcnn分類）。之後將這256個archors的特徵根據rois進行裁剪縮放及pooling，得到相同大小7*7的特徵pool5，pool5通過兩個fc層得到4096維特徵fc7，fc7送入_region_classification（2個並列的fc層），得到21維的cls_score和21*4維的bbox_pred。
_build_network定義如下
1 def _build_network(self, is_training=True): 2 if cfg.TRAIN.TRUNCATED: # select initializers 3 initializer = tf.truncated_normal_initializer(mean=0.0, stddev=0.01) 4 initializer_bbox = tf.truncated_normal_initializer(mean=0.0, stddev=0.001) 5 else: 6 initializer = tf.random_normal_initializer(mean=0.0, stddev=0.01) 7 initializer_bbox = tf.random_normal_initializer(mean=0.0, stddev=0.001) 8 9 net_conv = self._image_to_head(is_training) # 得到vgg16的conv5_3 10 with tf.variable_scope(self._scope, self._scope): 11 self._anchor_component() # 通過特徵圖及相對原始影象的縮放倍數_feat_stride得到所有archors的起點及終點座標 12 rois = self._region_proposal(net_conv, is_training, initializer) # 通過rpn網路，得到256個archors的類別（訓練時為每個archors的類別，測試時全0）及位置（後四維） 13 pool5 = self._crop_pool_layer(net_conv, rois, "pool5") # 對特徵圖通過rois得到候選區域，並對候選區域進行縮放，得到14*14的固定大小，進一步pooling成7*7大小 14 15 fc7 = self._head_to_tail(pool5, is_training) # 對固定大小的rois增加fc及dropout，得到4096維的特徵，用於分類及迴歸 16 with tf.variable_scope(self._scope, self._scope): 17 cls_prob, bbox_pred = self._region_classification(fc7, is_training, initializer, initializer_bbox) # 對rois進行分類，完成目標檢測；進行迴歸，得到預測座標 18 19 self._score_summaries.update(self._predictions) 20 21 # rois：256個archors的類別（訓練時為每個archors的類別，測試時全0） 22 # cls_prob：256個archors每一類別的概率 23 # bbox_pred：預測位置資訊的偏移 24 return rois, cls_prob, bbox_predView Code
1.3 _image_to_head
_image_to_head用於得到輸入影象的特徵
該函式位於vgg16.py中，定義如下
1 def _image_to_head(self, is_training, reuse=None): 2 with tf.variable_scope(self._scope, self._scope, reuse=reuse): 3 net = slim.repeat(self._image, 2, slim.conv2d, 64, [3, 3], trainable=False, scope='conv1') 4 net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool1') 5 net = slim.repeat(net, 2, slim.conv2d, 128, [3, 3], trainable=False, scope='conv2') 6 net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool2') 7 net = slim.repeat(net, 3, slim.conv2d, 256, [3, 3], trainable=is_training, scope='conv3') 8 net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool3') 9 net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3], trainable=is_training, scope='conv4') 10 net = slim.max_pool2d(net, [2, 2], padding='SAME', scope='pool4') 11 net = slim.repeat(net, 3, slim.conv2d, 512, [3, 3], trainable=is_training, scope='conv5') 12 13 self._act_summaries.append(net) 14 self._layers['head'] = net 15 16 return netView Code
1.4 _anchor_component
_anchor_component：用於得到所有可能的archors在原始影象中的座標（可能超出影象邊界）及archors的數量（特徵圖寬*特徵圖高*9）。該函式使用的self._im_info，為一個3維向量，[0]代表影象寬，[1]代表影象高，[2]代表影象縮放的比例（將影象寬縮放到600，或高縮放到1000的最小比例，比如縮放到600*900、850*1000）。該函式呼叫generate_anchors_pre_tf並進一步呼叫generate_anchors來得到所有可能的archors在原始影象中的座標及archors的個數（由於影象大小不一樣，因而最終archor的個數也不一樣）。
generate_anchors_pre_tf步驟如下：
1. 通過_ratio_enum得到archor時，使用 (0, 0, 15, 15) 的基準視窗，先通過ratio=[0.5,1,2]的比例得到archors。ratio指的是畫素總數（寬*高）的比例，而不是寬或者高的比例，得到如下三個archor（每個archor為左上角和右下角的座標）：
2. 而後在通過scales=(8, 16, 32)得到放大倍數後的archors。scales時，將上面的每個都直接放大對應的倍數，最終得到9個archors（每個archor為左上角和右下角的座標）。將上面三個archors分別放大就行了，因而本文未給出該圖。
之後通過tf.add(anchor_constant, shifts)得到縮放後的每個點的9個archor在原始圖的矩形框。anchor_constant：1*9*4。shifts：N*1*4。N為縮放後特徵圖的畫素數。將維度從N*9*4變換到(N*9)*4，得到縮放後的影象每個點在原始影象中的archors。
_anchor_component如下：
1 def _anchor_component(self): 2 with tf.variable_scope('ANCHOR_' + self._tag) as scope: 3 height = tf.to_int32(tf.ceil(self._im_info[0] / np.float32(self._feat_stride[0]))) # 影象經過vgg16得到特徵圖的寬高 4 width = tf.to_int32(tf.ceil(self._im_info[1] / np.float32(self._feat_stride[0]))) 5 if cfg.USE_E2E_TF: 6 # 通過特徵圖寬高、_feat_stride（特徵圖相對原始圖縮小的比例）及_anchor_scales、_anchor_ratios得到原始影象上 7 # 所有可能的archors（座標可能超出原始影象邊界）和archor的數量 8 anchors, anchor_length = generate_anchors_pre_tf(height, width, self._feat_stride, self._anchor_scales, self._anchor_ratios ) 9 else: 10 anchors, anchor_length = tf.py_func(generate_anchors_pre, 11 [height, width, self._feat_stride, self._anchor_scales, self._anchor_ratios], [tf.float32, tf.int32], name="generate_anchors") 12 anchors.set_shape([None, 4]) # 起點座標，終點座標，共4個值 13 anchor_length.set_shape([]) 14 self._anchors = anchors 15 self._anchor_length = anchor_length 16 17 def generate_anchors_pre_tf(height, width, feat_stride=16, anchor_scales=(8, 16, 32), anchor_ratios=(0.5, 1, 2)): 18 shift_x = tf.range(width) * feat_stride # 得到所有archors在原始影象的起始x座標：(0,feat_stride,2*feat_stride...) 19 shift_y = tf.range(height) * feat_stride # 得到所有archors在原始影象的起始y座標：(0,feat_stride,2*feat_stride...) 20 shift_x, shift_y = tf.meshgrid(shift_x, shift_y) # shift_x：height個(0,feat_stride,2*feat_stride...);shift_y：width個(0,feat_stride,2*feat_stride...)' 21 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... 22 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.. 23 shifts = tf.transpose(tf.stack([sx, sy, sx, sy])) # width*height個四位矩陣 24 K = tf.multiply(width, height) # 特徵圖總共畫素數 25 shifts = tf.transpose(tf.reshape(shifts, shape=[1, K, 4]), perm=(1, 0, 2)) # 增加一維，變成1*(width*height)*4矩陣，而後變換維度為(width*height)*1*4矩陣 26 27 anchors = generate_anchors(ratios=np.array(anchor_ratios), scales=np.array(anchor_scales)) #得到9個archors的在原始影象中的四個座標（放大比例預設為16） 28 A = anchors.shape[0] # A=9 29 anchor_constant = tf.constant(anchors.reshape((1, A, 4)), dtype=tf.int32) # anchors增加維度為1*9*4 30 31 length = K * A # 總共的archors的個數（每個點對應A=9個archor，共K=height*width個點） 32 # 1*9*4的base archors和(width*height)*1*4的偏移矩陣進行broadcast相加，得到(width*height)*9*4，並改變形狀為(width*height*9)*4，得到所有的archors的四個座標 33 anchors_tf = tf.reshape(tf.add(anchor_constant, shifts), shape=(length, 4)) 34 35 return tf.cast(anchors_tf, dtype=tf.float32), length 36 37 def generate_anchors(base_size=16, ratios=[0.5, 1, 2], scales=2 ** np.arange(3, 6)): 38 """Generate anchor (reference) windows by enumerating aspect ratios X scales wrt a reference (0, 0, 15, 15) window.""" 39 base_anchor = np.array([1, 1, base_size, base_size]) - 1 # base archor的四個座標 40 ratio_anchors = _ratio_enum(base_anchor, ratios) # 通過ratio得到3個archors的座標（3*4矩陣） 41 anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales) for i in range(ratio_anchors.shape[0])]) # 3*4矩陣變成9*4矩陣，得到9個archors的座標 42 return anchors 43 44 45 def _whctrs(anchor): 46 """ Return width, height, x center, and y center for an anchor (window). """ 47 w = anchor[2] - anchor[0] + 1 # 寬 48 h = anchor[3] - anchor[1] + 1 # 高 49 x_ctr = anchor[0] + 0.5 * (w - 1) # 中心x 50 y_ctr = anchor[1] + 0.5 * (h - 1) # 中心y 51 return w, h, x_ctr, y_ctr 52 53 54 def _mkanchors(ws, hs, x_ctr, y_ctr): 55 """ Given a vector of widths (ws) and heights (hs) around a center (x_ctr, y_ctr), output a set of anchors (windows).""" 56 ws = ws[:, np.newaxis] # 3維向量變成3*1矩陣 57 hs = hs[:, np.newaxis] # 3維向量變成3*1矩陣 58 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矩陣 59 return anchors 60 61 62 def _ratio_enum(anchor, ratios): # 縮放比例為畫素總數的比例，而非單獨寬或者高的比例 63 """ Enumerate a set of anchors for each aspect ratio wrt an anchor. """ 64 w, h, x_ctr, y_ctr = _whctrs(anchor) # 得到中心位置和寬高 65 size = w * h # 總共畫素數 66 size_ratios = size / ratios # 縮放比例 67 ws = np.round(np.sqrt(size_ratios)) # 縮放後的寬,3維向量(值由大到小) 68 hs = np.round(ws * ratios) # 縮放後的高，兩個3維向量對應元素相乘，為3維向量（值由小到大） 69 anchors = _mkanchors(ws, hs, x_ctr, y_ctr) # 根據中心及寬高得到3個archors的四個座標 70 return anchors 71 72 73 def _scale_enum(anchor, scales): 74 """ Enumerate a set of anchors for each scale wrt an anchor. """ 75 w, h, x_ctr, y_ctr = _whctrs(anchor) # 得到中心位置和寬高 76 ws = w * scales # 得到寬的放大倍數 77 hs = h * scales # 得到寬的放大倍數 78 anchors = _mkanchors(ws, hs, x_ctr, y_ctr) # 根據中心及寬高得到3個archors的四個座標 79 return anchorsView Code
1.5 _region_proposal
_region_proposal用於將vgg16的conv5的特徵通過3*3的滑動窗得到rpn特徵，進行兩條並行的線路，分別送入cls和reg網路。cls網路判斷通過1*1的卷積得到archors是正樣本還是負樣本（由於archors過多，還有可能有不關心的archors，使用時只使用正樣本和負樣本），用於二分類rpn_cls_score；reg網路對通過1*1的卷積迴歸出archors的座標偏移rpn_bbox_pred。這兩個網路共用3*3 conv（rpn）。由於每個位置有k個archor，因而每個位置均有2k個soores和4k個coordinates。
cls（將輸入的512維降低到2k維）：3*3 conv + 1*1 conv（2k個scores，k為每個位置archors個數，如9）
在第一次使用_reshape_layer時，由於輸入bottom為1*？*？*2k，先得到caffe中的資料順序（tf為batchsize*height*width*channels，caffe中為batchsize*channels*height*width）to_caffe：1*2k*？*？，而後reshape後得到reshaped為1*2*？*？，最後在轉回tf的順序to_tf為1*？*？*2，得到rpn_cls_score_reshape。之後通過rpn_cls_prob_reshape（softmax的值，只針對最後一維，即2計算softmax），得到概率rpn_cls_prob_reshape（其最大值，即為預測值rpn_cls_pred），再次_reshape_layer，得到1*？*？*2k的rpn_cls_prob，為原始的概率。
reg（將輸入的512維降低到4k維）：3*3 conv + 1*1 conv（4k個coordinates，k為每個位置archors個數，如9）。
_region_proposal定義如下：
1 def _region_proposal(self, net_conv, is_training, initializer): # 對輸入特徵圖進行處理 2 rpn = slim.conv2d(net_conv, cfg.RPN_CHANNELS, [3, 3], trainable=is_training, weights_initializer=initializer, scope="rpn_conv/3x3") #3*3的conv，作為rpn網路 3 self._act_summaries.append(rpn) 4 rpn_cls_score = slim.conv2d(rpn, self._num_anchors * 2, [1, 1], trainable=is_training, weights_initializer=initializer, # _num_anchors為9 5 padding='VALID', activation_fn=None, scope='rpn_cls_score') #1*1的conv，得到每個位置的9個archors分類特徵1*？*？*(9*2)（二分類），判斷當前archors是正樣本還是負樣本 6 rpn_cls_score_reshape = self._reshape_layer(rpn_cls_score, 2, 'rpn_cls_score_reshape') # 1*？*？*18==>1*(?*9)*?*2 7 rpn_cls_prob_reshape = self._softmax_layer(rpn_cls_score_reshape, "rpn_cls_prob_reshape") # 以最後一維為特徵長度，得到所有特徵的概率1*(?*9)*?*2 8 rpn_cls_pred = tf.argmax(tf.reshape(rpn_cls_score_reshape, [-1, 2]), axis=1, name="rpn_cls_pred") # 得到每個位置的9個archors預測的類別，(1*?*9*?)的列向量 9 rpn_cls_prob = self._reshape_layer(rpn_cls_prob_reshape, self._num_anchors * 2, "rpn_cls_prob") # 變換會原始維度1*(?*9)*?*2==>1*?*?*(9*2) 10 rpn_bbox_pred = slim.conv2d(rpn, self._num_anchors * 4, [1, 1], trainable=is_training, weights_initializer=initializer, 11 padding='VALID', activation_fn=None, scope='rpn_bbox_pred') #1*1的conv，每個位置的9個archors迴歸位置偏移1*？*？*(9*4) 12 if is_training: 13 # 每個位置的9個archors的類別概率和每個位置的9個archors的迴歸位置偏移得到post_nms_topN=2000個archors的位置（包括全0的batch_inds）及為1的概率 14 rois, roi_scores = self._proposal_layer(rpn_cls_prob, rpn_bbox_pred, "rois") 15 rpn_labels = self._anchor_target_layer(rpn_cls_score, "anchor") # rpn_labels：特徵圖中每個位置對應的是正樣本、負樣本還是不關注 16 with tf.control_dependencies([rpn_labels]): # Try to have a deterministic order for the computing graph, for reproducibility 17 rois, _ = self._proposal_target_layer(rois, roi_scores, "rpn_rois") #通過post_nms_topN個archors的位置及為1（正樣本）的概率得到256個rois（第一列的全0更新為每個archors對應的類別）及對應資訊 18 else: 19 if cfg.TEST.MODE == 'nms': 20 # 每個位置的9個archors的類別概率和每個位置的9個archors的迴歸位置偏移得到post_nms_topN=300個archors的位置（包括全0的batch_inds）及為1的概率 21 rois, _ = self._proposal_layer(rpn_cls_prob, rpn_bbox_pred, "rois") 22 elif cfg.TEST.MODE == 'top': 23 rois, _ = self._proposal_top_layer(rpn_cls_prob, rpn_bbox_pred, "rois") 24 else: 25 raise NotImplementedError 26 27 self._predictions["rpn_cls_score"] = rpn_cls_score # 每個位置的9個archors是正樣本還是負樣本 28 self._predictions["rpn_cls_score_reshape"] = rpn_cls_score_reshape # 每個archors是正樣本還是負樣本 29 self._predictions["rpn_cls_prob"] = rpn_cls_prob # 每個位置的9個archors是正樣本和負樣本的概率 30 self._predictions["rpn_cls_pred"] = rpn_cls_pred # 每個位置的9個archors預測的類別，(1*?*9*?)的列向量 31 self._predictions["rpn_bbox_pred"] = rpn_bbox_pred # 每個位置的9個archors迴歸位置偏移 32 self._predictions["rois"] = rois # 256個archors的類別（第一維）及位置（後四維） 33 34 return rois # 返回256個archors的類別（第一維，訓練時為每個archors的類別，測試時全0）及位置（後四維） 35 36 def _reshape_layer(self, bottom, num_dim, name): 37 input_shape = tf.shape(bottom) 38 with tf.variable_scope(name) as scope: 39 to_caffe = tf.transpose(bottom, [0, 3, 1, 2]) # NHWC（TF資料格式）變成NCHW（caffe格式） 40 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)*?*? 41 to_tf = tf.transpose(reshaped, [0, 2, 3, 1]) 42 return to_tf 43 44 45 def _softmax_layer(self, bottom, name): 46 if name.startswith('rpn_cls_prob_reshape'): # bottom：1*(?*9)*?*2 47 input_shape = tf.shape(bottom) 48 bottom_reshaped = tf.reshape(bottom, [-1, input_shape[-1]]) # 只保留最後一維，用於計算softmax的概率，其他的全合併：1*(?*9)*?*2==>(1*?*9*?)*2 49 reshaped_score = tf.nn.softmax(bottom_reshaped, name=name) # 得到所有特徵的概率 50 return tf.reshape(reshaped_score, input_shape) # (1*?*9*?)*2==>1*(?*9)*?*2 51 return tf.nn.softmax(bottom, name=name)View Code
1.6 _proposal_layer
_proposal_layer呼叫proposal_layer_tf，通過(N*9)*4個archors，計算估計後的座標（bbox_transform_inv_tf），並對座標進行裁剪（clip_boxes_tf）及非極大值抑制（tf.image.non_max_suppression，可得到符合條件的索引indices）的archors：rois及這些archors為正樣本的概率：rpn_scores。rois為m*5維，rpn_scores為m*4維，其中m為經過非極大值抑制後得到的候選區域個數（訓練時2000個，測試時300個）。m*5的第一列為全為0的batch_inds，後4列為座標（坐上+右下）
_proposal_layer如下
1 def _proposal_layer(self, rpn_cls_prob, rpn_bbox_pred, name): #每個位置的9個archors的類別概率和每個位置的9個archors的迴歸位置偏移得到post_nms_topN個archors的位置及為1的概率 2 with tf.variable_scope(name) as scope: 3 if cfg.USE_E2E_TF: # post_nms_topN*5的rois（第一列為全0的batch_inds，後4列為座標）；rpn_scores：post_nms_topN*1個對應的為1的概率 4 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) 5 else: 6 rois, rpn_scores = tf.py_func(proposal_layer, [rpn_cls_prob, rpn_bbox_pred, self._im_info, self._mode, 7 self._feat_stride, self._anchors, self._num_anchors], [tf.float32, tf.float32], name="proposal") 8 9 rois.set_shape([None, 5]) 10 rpn_scores.set_shape([None, 1]) 11 12 return rois, rpn_scores 13 14 def proposal_layer_tf(rpn_cls_prob, rpn_bbox_pred, im_info, cfg_key, _feat_stride, anchors, num_anchors): #每個位置的9個archors的類別概率和每個位置的9個archors的迴歸位置偏移 15 if type(cfg_key) == bytes: 16 cfg_key = cfg_key.decode('utf-8') 17 pre_nms_topN = cfg[cfg_key].RPN_PRE_NMS_TOP_N 18 post_nms_topN = cfg[cfg_key].RPN_POST_NMS_TOP_N # 訓練時為2000，測試時為300 19 nms_thresh = cfg[cfg_key].RPN_NMS_THRESH # nms的閾值，為0.7 20 21 scores = rpn_cls_prob[:, :, :, num_anchors:] # 1*?*?*(9*2)取後9個：1*?*?*9。應該是前9個代表9個archors為背景景的概率，後9個代表9個archors為前景的概率（二分類，只有背景和前景） 22 scores = tf.reshape(scores, shape=(-1,)) # 所有的archors為1的概率 23 rpn_bbox_pred = tf.reshape(rpn_bbox_pred, shape=(-1, 4)) # 所有的archors的四個座標 24 25 proposals = bbox_transform_inv_tf(anchors, rpn_bbox_pred) # 已知archor和偏移求預測的座標 26 proposals = clip_boxes_tf(proposals, im_info[:2]) # 限制預測座標在原始影象上 27 28 indices = tf.image.non_max_suppression(proposals, scores, max_output_size=post_nms_topN, iou_threshold=nms_thresh) # 通過nms得到分值最大的post_nms_topN個座標的索引 29 30 boxes = tf.gather(proposals, indices) # 得到post_nms_topN個對應的座標 31 boxes = tf.to_float(boxes) 32 scores = tf.gather(scores, indices) # 得到post_nms_topN個對應的為1的概率 33 scores = tf.reshape(scores, shape=(-1, 1)) 34 35 batch_inds = tf.zeros((tf.shape(indices)[0], 1), dtype=tf.float32) # Only support single image as input 36 blob = tf.concat([batch_inds, boxes], 1) # post_nms_topN*1個batch_inds和post_nms_topN*4個座標concat，得到post_nms_topN*5的blob 37 38 return blob, scores 39 40 def bbox_transform_inv_tf(boxes, deltas): # 已知archor和偏移求預測的座標 41 boxes = tf.cast(boxes, deltas.dtype) 42 widths = tf.subtract(boxes[:, 2], boxes[:, 0]) + 1.0 # 寬 43 heights = tf.subtract(boxes[:, 3], boxes[:, 1]) + 1.0 # 高 44 ctr_x = tf.add(boxes[:, 0], widths * 0.5) # 中心x 45 ctr_y = tf.add(boxes[:, 1], heights * 0.5) # 中心y 46 47 dx = deltas[:, 0] # 預測的dx 48 dy = deltas[:, 1] # 預測的dy 49 dw = deltas[:, 2] # 預測的dw 50 dh = deltas[:, 3] # 預測的dh 51 52 pred_ctr_x = tf.add(tf.multiply(dx, widths), ctr_x) # 公式2已知xa，wa，tx反過來求預測的x中心座標 53 pred_ctr_y = tf.add(tf.multiply(dy, heights), ctr_y) # 公式2已知ya，ha，ty反過來求預測的y中心座標 54 pred_w = tf.multiply(tf.exp(dw), widths) # 公式2已知wa，tw反過來求預測的w 55 pred_h = tf.multiply(tf.exp(dh), heights) # 公式2已知ha，th反過來求預測的h 56 57 pred_boxes0 = tf.subtract(pred_ctr_x, pred_w * 0.5) # 預測的框的起始和終點四個座標 58 pred_boxes1 = tf.subtract(pred_ctr_y, pred_h * 0.5) 59 pred_boxes2 = tf.add(pred_ctr_x, pred_w * 0.5) 60 pred_boxes3 = tf.add(pred_ctr_y, pred_h * 0.5) 61 62 return tf.stack([pred_boxes0, pred_boxes1, pred_boxes2, pred_boxes3], axis=1) 63 64 65 def clip_boxes_tf(boxes, im_info): # 限制預測座標在原始影象上 66 b0 = tf.maximum(tf.minimum(boxes[:, 0], im_info[1] - 1), 0) 67 b1 = tf.maximum(tf.minimum(boxes[:, 1], im_info[0] - 1), 0) 68 b2 = tf.maximum(tf.minimum(boxes[:, 2], im_info[1] - 1), 0) 69 b3 = tf.maximum(tf.minimum(boxes[:, 3], im_info[0] - 1), 0) 70 return tf.stack([b0, b1, b2, b3], axis=1)View Code
1.7 _anchor_target_layer
通過_anchor_target_layer首先去除archors中邊界超出影象的archors。而後通過bbox_overlaps計算archors（N*4）和gt_boxes（M*4）的重疊區域的值overlaps（N*M），並得到每個archor對應的最大的重疊ground_truth的值max_overlaps（1*N），以及ground_truth的背景對應的最大重疊archors的值gt_max_overlaps（1*M）和每個背景對應的archor的位置gt_argmax_overlaps。之後通過_compute_targets計算anchors和最大重疊位置的gt_boxes的變換後的座標bbox_targets（見公式2後四個）。最後通過_unmap在變換回和原始的archors一樣大小的rpn_labels（archors是正樣本、負樣本還是不關注），rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights。
_anchor_target_layer定義：
1 def _anchor_target_layer(self, rpn_cls_score, name): # rpn_cls_score:每個位置的9個archors分類特徵1*？*？*(9*2) 2 with tf.variable_scope(name) as scope: 3 # rpn_labels; 特徵圖中每個位置對應的是正樣本、負樣本還是不關注（去除了邊界在影象外面的archors） 4 # rpn_bbox_targets:# 特徵圖中每個位置和對應的正樣本的座標偏移（很多為0） 5 # rpn_bbox_inside_weights: 正樣本的權重為1（去除負樣本和不關注的樣本，均為0） 6 # rpn_bbox_outside_weights: 正樣本和負樣本（不包括不關注的樣本）歸一化的權重 7 rpn_labels, rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights = tf.py_func( 8 anchor_target_layer, [rpn_cls_score, self._gt_boxes, self._im_info, self._feat_stride, self._anchors, self._num_anchors], 9 [tf.float32, tf.float32, tf.float32, tf.float32], name="anchor_target") 10 11 rpn_labels.set_shape([1, 1, None, None]) 12 rpn_bbox_targets.set_shape([1, None, None, self._num_anchors * 4]) 13 rpn_bbox_inside_weights.set_shape([1, None, None, self._num_anchors * 4]) 14 rpn_bbox_outside_weights.set_shape([1, None, None, self._num_anchors * 4]) 15 16 rpn_labels = tf.to_int32(rpn_labels, name="to_int32") 17 self._anchor_targets['rpn_labels'] = rpn_labels # 特徵圖中每個位置對應的是正樣本、負樣本還是不關注（去除了邊界在影象外面的archors） 18 self._anchor_targets['rpn_bbox_targets'] = rpn_bbox_targets # 特徵圖中每個位置和對應的正樣本的座標偏移（很多為0） 19 self._anchor_targets['rpn_bbox_inside_weights'] = rpn_bbox_inside_weights # 正樣本的權重為1（去除負樣本和不關注的樣本，均為0） 20 self._anchor_targets['rpn_bbox_outside_weights'] = rpn_bbox_outside_weights # 正樣本和負樣本（不包括不關注的樣本）歸一化的權重 21 22 self._score_summaries.update(self._anchor_targets) 23 24 return rpn_labels 25 26 def anchor_target_layer(rpn_cls_score, gt_boxes, im_info, _feat_stride, all_anchors, num_anchors):# 1*？*？*(9*2); ?*5; 3; [16], ?*4; [9] 27 """Same as the anchor target layer in original Fast/er RCNN """ 28 A = num_anchors # [9] 29 total_anchors = all_anchors.shape[0] # 所有archors的個數，9*特徵圖寬*特徵圖高 個 30 K = total_anchors / num_anchors 31 32 _allowed_border = 0 # allow boxes to sit over the edge by a small amount 33 height, width = rpn_cls_score.shape[1:3] # rpn網路得到的特徵的高寬 34 35 inds_inside = np.where( # 所有archors邊界可能超出影象，取在影象內部的archors的索引 36 (all_anchors[:, 0] >= -_allowed_border) & (all_anchors[:, 1] >= -_allowed_border) & 37 (all_anchors[:, 2] < im_info[1] + _allowed_border) & # width 38 (all_anchors[:, 3] < im_info[0] + _allowed_border) # height 39 )[0] 40 41 anchors = all_anchors[inds_inside, :] # 得到在影象內部archors的座標 42 43 labels = np.empty((len(inds_inside),), dtype=np.float32) # label: 1 正樣本, 0 負樣本, -1 不關注 44 labels.fill(-1) 45 46 # 計算每個anchors:n*4和每個真實位置gt_boxes:m*4的重疊區域的比的矩陣:n*m 47 overlaps = bbox_overlaps(np.ascontiguousarray(anchors, dtype=np.float), np.ascontiguousarray(gt_boxes, dtype=np.float)) 48 argmax_overlaps = overlaps.argmax(axis=1) # 找到每行最大值的位置，即每個archors對應的正樣本的位置，得到n維的行向量 49 max_overlaps = overlaps[np.arange(len(inds_inside)), argmax_overlaps] # 取出每個archors對應的正樣本的重疊區域，n維向量 50 gt_argmax_overlaps = overlaps.argmax(axis=0) # 找到每列最大值的位置，即每個真實位置對應的archors的位置，得到m維的行向量 51 gt_max_overlaps = overlaps[gt_argmax_overlaps, np.arange(overlaps.shape[1])] # 取出每個真實位置對應的archors的重疊區域，m維向量 52 gt_argmax_overlaps = np.where(overlaps == gt_max_overlaps)[0] # 得到從小到大順序的位置 53 54 if not cfg.TRAIN.RPN_CLOBBER_POSITIVES: # assign bg labels first so that positive labels can clobber them first set the negatives 55 labels[max_overlaps < cfg.TRAIN.RPN_NEGATIVE_OVERLAP] = 0 # 將archors對應的正樣本的重疊區域中小於閾值的置0 56 57 labels[gt_argmax_overlaps] = 1 # fg label: for each gt, anchor with highest overlap 每個真實位置對應的archors置1 58 labels[max_overlaps >= cfg.TRAIN.RPN_POSITIVE_OVERLAP] = 1 # fg label: above threshold IOU 將archors對應的正樣本的重疊區域中大於閾值的置1 59 60 if cfg.TRAIN.RPN_CLOBBER_POSITIVES: # assign bg labels last so that negative labels can clobber positives 61 labels[max_overlaps < cfg.TRAIN.RPN_NEGATIVE_OVERLAP] = 0 62 63 # 如果有過多的正樣本，則只隨機選擇num_fg=0.5*256=128個正樣本 64 num_fg = int(cfg.TRAIN.RPN_FG_FRACTION * cfg.TRAIN.RPN_BATCHSIZE) # subsample positive labels if we have too many 65 fg_inds = np.where(labels == 1)[0] 66 if len(fg_inds) > num_fg: 67 disable_inds = npr.choice(fg_inds, size=(len(fg_inds) - num_fg), replace=False) 68 labels[disable_inds] = -1 # 將多於的正樣本設定為不關注 69 70 # 如果有過多的負樣本，則只隨機選擇 num_bg=256-正樣本個數 個負樣本 71 num_bg = cfg.TRAIN.RPN_BATCHSIZE - np.sum(labels == 1) # subsample negative labels if we have too many 72 bg_inds = np.where(labels == 0)[0] 73 if len(bg_inds) > num_bg: 74 disable_inds = npr.choice(bg_inds, size=(len(bg_inds) - num_bg), replace=False) 75 labels[disable_inds] = -1 # 將多於的負樣本設定為不關注 76 77 bbox_targets = np.zeros((len(inds_inside), 4), dtype=np.float32) 78 bbox_targets = _compute_targets(anchors, gt_boxes[argmax_overlaps, :]) # 通過archors和archors對應的正樣本計算座標的偏移 79 80 bbox_inside_weights = np.zeros((len(inds_inside), 4), dtype=np.float32) 81 bbox_inside_weights[labels == 1, :] = np.array(cfg.TRAIN.RPN_BBOX_INSIDE_WEIGHTS) # 正樣本的四個座標的權重均設定為1 82 83 bbox_outside_weights = np.zeros((len(inds_inside), 4), dtype=np.float32) 84 if cfg.TRAIN.RPN_POSITIVE_WEIGHT < 0: # uniform weighting of examples (given non-uniform sampling) 85 num_examples = np.sum(labels >= 0) # 正樣本和負樣本的總數（去除不關注的樣本） 86 positive_weights = np.ones((1, 4)) * 1.0 / num_examples # 歸一化的權重 87 negative_weights = np.ones((1, 4)) * 1.0 / num_examples # 歸一化的權重 88 else: 89 assert ((cfg.TRAIN.RPN_POSITIVE_WEIGHT > 0) & (cfg.TRAIN.RPN_POSITIVE_WEIGHT < 1)) 90 positive_weights = (cfg.TRAIN.RPN_POSITIVE_WEIGHT / np.sum(labels == 1)) 91 negative_weights = ((1.0 - cfg.TRAIN.RPN_POSITIVE_WEIGHT) / np.sum(labels == 0)) 92 bbox_outside_weights[labels == 1, :] = positive_weights # 歸一化的權重 93 bbox_outside_weights[labels == 0, :] = negative_weights # 歸一化的權重 94 95 # 由於上面使用了inds_inside，此處將labels，bbox_targets，bbox_inside_weights，bbox_outside_weights對映到原始的archors（包含未知 96 # 引數超出影象邊界的archors）對應的labels，bbox_targets，bbox_inside_weights，bbox_outside_weights，同時將不需要的填充fill的值 97 labels = _unmap(labels, total_anchors, inds_inside, fill=-1) 98 bbox_targets = _unmap(bbox_targets, total_anchors, inds_inside, fill=0) 99 bbox_inside_weights = _unmap(bbox_inside_weights, total_anchors, inds_inside, fill=0) # 所有archors中正樣本的四個座標的權重均設定為1，其他為0 100 bbox_outside_weights = _unmap(bbox_outside_weights, total_anchors, inds_inside, fill=0) 101 102 labels = labels.reshape((1, height, width, A)).transpose(0, 3, 1, 2) # (1*？*？)*9==>1*？*？*9==>1*9*？*？ 103 labels = labels.reshape((1, 1, A * height, width)) # 1*9*？*？==>1*1*(9*？)*？ 104 rpn_labels = labels # 特徵圖中每個位置對應的是正樣本、負樣本還是不關注（去除了邊界在影象外面的archors） 105 106 bbox_targets = bbox_targets.reshape((1, height, width, A * 4)) # 1*(9*？)*？*4==>1*？*？*(9*4) 107 108 rpn_bbox_targets = bbox_targets # 特徵圖中每個位置和對應的正樣本的座標偏移（很多為0） 109 bbox_inside_weights = bbox_inside_weights.reshape((1, height, width, A * 4)) # 1*(9*？)*？*4==>1*？*？*(9*4) 110 rpn_bbox_inside_weights = bbox_inside_weights 111 bbox_outside_weights = bbox_outside_weights.reshape((1, height, width, A * 4)) # 1*(9*？)*？*4==>1*？*？*(9*4) 112 rpn_bbox_outside_weights = bbox_outside_weights # 歸一化的權重 113 return rpn_labels, rpn_bbox_targets, rpn_bbox_inside_weights, rpn_bbox_outside_weights 114 115 116 def _unmap(data, count, inds, fill=0): 117 """ Unmap a subset of item (data) back to the original set of items (of size count) """ 118 if len(data.shape) == 1: 119 ret = np.empty((count,), dtype=np.float32) # 得到1維矩陣 120 ret.fill(fill) # 預設填充fill的值 121 ret[inds] = data # 有效位置填充具體資料 122 else: 123 ret = np.empty((count,) + data.shape[1:], dtype=np.float32) # 得到對應維數的矩陣 124 ret.fill(fill) # 預設填充fill的值 125 ret[inds, :] = data # 有效位置填充具體資料 126 return ret 127 128 129 def _compute_targets(ex_rois, gt_rois): 130 """Compute bounding-box regression targets for an image.""" 131 assert ex_rois.shape[0] == gt_rois.shape[0] 132 assert ex_rois.shape[1] == 4 133 assert gt_rois.shape[1] == 5 134 135 # 通過公式2後四個，結合archor和對應的正樣本的座標計算座標的偏移 136 return bbox_transform(ex_rois, gt_rois[:, :4]).astype(np.float32, copy=False) # 由於gt_rois是5列，去掉第一列的batch_inds 137 138 def bbox_transform(ex_rois, gt_rois): 139 ex_widths = ex_rois[:, 2] - ex_rois[:, 0] + 1.0 # archor的寬 140 ex_heights = ex_rois[:, 3] - ex_rois[:, 1] + 1.0 # archor的高 141 ex_ctr_x = ex_rois[:, 0] + 0.5 * ex_widths #archor的中心x 142 ex_ctr_y = ex_rois[:, 1] + 0.5 * ex_heights #archor的中心y 143 144 gt_widths = gt_rois[:, 2] - gt_rois[:, 0] + 1.0 # 真實正樣本w 145 gt_heights = gt_rois[:, 3] - gt_rois[:, 1] + 1.0 # 真實正樣本h 146 gt_ctr_x = gt_rois[:, 0] + 0.5 * gt_widths # 真實正樣本中心x 147 gt_ctr_y = gt_rois[:, 1] + 0.5 * gt_heights # 真實正樣本中心y 148 149 targets_dx = (gt_ctr_x - ex_ctr_x) / ex_widths # 通過公式2後四個的x*，xa，wa得到dx 150 targets_dy = (gt_ctr_y - ex_ctr_y) / ex_heights # 通過公式2後四個的y*，ya，ha得到dy 151 targets_dw = np.log(gt_widths / ex_widths) # 通過公式2後四個的w*，wa得到dw 152 targets_dh = np.log(gt_heights / ex_heights) # 通過公式2後四個的h*，ha得到dh 153 154 targets = np.vstack((targets_dx, targets_dy, targets_dw, targets_dh)).transpose() 155 return targetsView Code
1.8 bbox_overlaps
bbox_overlaps用於計算archors和ground truth box重疊區域的面積。具體可見參考網址https://www.cnblogs.com/darkknightzh/p/9043395.html，程式中的程式碼如下：
1 def bbox_overlaps( 2 np.ndarray[DTYPE_t, ndim=2] boxes, 3 np.ndarray[DTYPE_t, ndim=2] query_boxes): 4 """ 5 Parameters 6 ---------- 7 boxes: (N, 4) ndarray of float 8 query_boxes: (K, 4) ndarray of float 9 Returns 10 ------- 11