faster rcnn代码解读

参考链接:http://blog.csdn.net/zhangwenjie89/article/details/52012880

faster rcnn中除开常规的神经网络部分之外，最终要的部分应该是数据的读取和组织，论文中提到的anchor的生成，以及如何使用这些anchor去进行loss的计算，pooling layer也是一个custom layer,， 但并不是本文的创新，在fast rcnn中就有提到。首先我们来看数据读取和组织的部分。faster rcnn的训练有几种方法，这里就说论文提到的第一种方法，它的训练分成多个阶段，在第一个阶段中，首先对RPN网络进行训练，然后是用第一部分产生的propasal对fast rcnn网络进行训练。在训练RPN网络时，通过get_roidb()函数获得roidb和imdb。imdb实际指的就是图片数据，而roidb指的是图片对应的ground_truth label。imdb通过get_imdb获得，会返回一个pascal_voc对象。而roidb是通过roidb获得。roidb拥有@property装饰器，可以当做属性使用。roidb函数会调用roidb_handler，而在之前，这个handler被为gt_roidb()，它会读取所有图片的annotation.下面看一下读取到的image和anotation是如何送到网络中去的

layer {  
  name: 'input-data'  
  type: 'Python'  
  top: 'data'  
  top: 'im_info'  
  top: 'gt_boxes'  
  python_param {  
    module: 'roi_data_layer.layer'  
    layer: 'RoIDataLayer'  
    param_str: "'num_classes': 21"  
  }  

这是caffe的网络定义的文件有关input layer的描述，可以看到会输出data，im_info和gt_boxes三个数据。这是一个定制的python实现的layer，下面看看这个layer做了些什么。在这个layer的实现中，主要看forward()函数，它通过_get_next_minibatch()获得一个batch中的数据。这其中组织数据的逻辑是，通过之前设置的roidb中图片的index来获得对应的imdb中对应的图片数据，根据对图片数据的缩放，会对相应的label也进行调整，最后生成一个blobs。blobs中装着data, gt_boxes和im_info这三个数据。在训练RPN net时，batchsize是1，也就是说每次只输入一个ground truth label进行训练。下图展示input layer数据的流向。

接下来我们再来看anchor的生成以及如何用anchor来计算loss。从下图可以看出，anchor是在rpn-data这一层中生成的，在AnchorTargetLayer的setup函数中，

anchor_scales = layer_params.get('scales', (8, 16, 32))

首先设置anchor的缩放比例，之后来产生anchor。generate_anchors()函数产生9个不同的anchor， 对于一个大小为H*W的特征层，它上面每一个像素点对应9个anchor,这里有一个重要的参数feat_stride = 16， 它表示特征层上移动一个点，对应原图移动16个像素点(看一看网络中的stride就明白16的来历了)。把这9个anchor的坐标进行平移操作，获得在原图上的坐标。之后根据ground truth label和这些anchor之间的关系生成rpn_lables，具体的方法论文中有提到，根据overlap来计算，这里就不详细说明了，生成的rpn_labels中，positive的位置被置为1，negative的位置被置为0，其他的为-1。box_target通过_compute_targets()函数生成，这个函数实际上是寻找每一个anchor最匹配的ground truth box， 然后进行论文中提到的box坐标的转化。

个人理解，这种设置anchor和计算box_targets的方式使网络能够学习到不同anchor预测和它相近框的能力。