3 faster rcnn的anchor产生问题

这一部分是在rpn文件夹下面。
首先看generate_anchors.py。这个模块直接返回anchor。
anchor=[[ -83., -39., 100., 56.],
[-175., -87., 192., 104.],
[-359., -183., 376., 200.],
[ -55., -55., 72., 72.],
[-119., -119., 136., 136.],
[-247., -247., 264., 264.],
[ -35., -79., 52., 96.],
[ -79., -167., 96., 184.],
[-167., -343., 184., 360.]]
这是一个9*4的矩阵。
假设输入图片为1000*600，那么经过前5层卷积网络之后，feature map变为60*40(除以16）
按照论文里面的叙述，feature map上每个点都在原始图上对应9个anchor，这9个anchor的大小有3种（按面积算，分别为128*128，256*256，512*512），纵横比有3种（1：1，1：2，2：1），而且每个anchor都以此点为中心。问题是，上面的anchor对应的是feature map上（0，0）对应的9个框。那么feature map上其他地方对应的框怎么找呢。
接下来就要看anchor_target_layer.py了。
关键是找到偏移量。

shift_x = np.arange(0, width) * self._feat_stride   #[0,16,32,.....,(width-1)*16]
shift_y = np.arange(0, height) * self._feat_stride
shift_x, shift_y = np.meshgrid(shift_x, shift_y)     #见onenote。shift_x,shift_y都是宽为width，高为height的矩阵
shifts = np.vstack((shift_x.ravel(), shift_y.ravel(),
                    shift_x.ravel(), shift_y.ravel())).transpose()

这里举个例子。

x=np.arange(0,3)
y=np.arange(0,4)
z=np.meshgrid(x,y)
print z[0]
print z[1]
m=z[0].ravel()  #   [0 1 2 0 1 2 0 1 2 0 1 2]
n=z[1].ravel()   #   [0 0 0 1 1 1 2 2 2 3 3 3]
z1=np.vstack((z[0].ravel(),z[1].ravel(),z[0].ravel(),z[1].ravel())).transpose()*16
print z1

打印出来的z1的值为：
[[ 0 0 0 0]
[16 0 16 0]
[32 0 32 0]
[ 0 16 0 16]
[16 16 16 16]
[32 16 32 16]
[ 0 32 0 32]
[16 32 16 32]
[32 32 32 32]
[ 0 48 0 48]
[16 48 16 48]
[32 48 32 48]]
这是一个(height*width,4)的矩阵。在这里，height=4，width=3.这个正好是每个anchor应该偏移的量。
接下来，

K = shifts.shape[0]  #height*width
all_anchors = (self._anchors.reshape((1, A, 4)) +
               shifts.reshape((1, K, 4)).transpose((1, 0, 2)))   #形状为(K,A,4)

这样就能实现把最开始的anchors加上偏移量了。
接着上面的例子。

经过上面的这个语句，all_anchors就是一个（height*width,A,4）的矩阵了。（其中，A=9）
每个（A,4）的二维矩阵就表示feature map上那个点在原图对应的9个框。