Faster R-CNN系列（四）：RPN的实现之神经网络部分的实现

RPN的实现之神经网络部分的实现

RPN的框架：

• 图解

  • 上支路是所有anchor的修正量（4*9）
  • 下支路是前景背景9个anchor的分类得分(前景 背景)

• rpn_match

  • label为1的anchor： 当一个anchor与真实bounding box的最大IOU超过阈值Vt1(0.7)
  • label为-1的anchor ： 当一个anchor与真实bounding box的最大IOU低于阈值Vt2(0.3)
  • label为0的anchor ： 当一个anchor与真实bounding box的最大IOU介于Vt2与Vt1之间
  • Negative anchor 与 Positive anchor 的数量之和是一个人为设置的常数

• rpn_bbox

  • Input_rpn_bbox 是anchor和真实bbox之间的偏移量，RPN网络计算的也是偏移量!
  • 只有positive anchor才有对应的Input_rpn_bbox

ResNet

• block
  • 保证跳远连接层和最后一层输入层的长宽以及通道数一样，可以实现相加操作
    
• 架构
  

import keras.layers as KL
from keras.models import Model
import keras.backend as K
import tensorflow as tf

构建block

def building_block(filters,block):
    if block !=0 :
        stride=1
    else:
        stride=2
    
    def f(x):
        # 主通路
        y=KL.Conv2D(filters,(1,1),strides=stride)(x)
        y=KL.BatchNormalization(axis=3)(y)
        y=KL.Activation("relu")(y)
        
        y=KL.Conv2D(filters,(3,3),padding<