【Faster R-CNN论文精度系列】代码解读并深入理解Anchor和Anchor Box

【Faster R-CNN论文精度系列】

（如下为建议阅读顺序）
1【Faster R-CNN论文精度系列】从Faster R-CNN源码中，我们“学习”到了什么？
2【Faster R-CNN论文精度系列】代码解读并深入理解Region Proposal Network
3【Faster R-CNN论文精度系列】代码解读并深入理解Anchor和Anchor Box
4【Faster R-CNN论文精度系列】原文精析

Preview

先来回顾一下Faster R-CNN原文中RPN（first module）的实现过程，其中涉及到对Anchor机制的描述，这是一个很值得深入研究的点，所以本文在前人的研究基础对anchor机制进一步展开研究，通过引入-源码-分析-举例的结构来帮助理解，转载请注明出处，感谢阅读。
如下图，是Faster R-CNN中first module的框架实现，输入一张任意的图片，然后resize到固定的图大小（实际上resize后的大小不确定，这里方便描述取了一个固定值），再进行特征提取（卷积神经网络），根据feature map的大小产生了一系列的anchor和anchor box：

可以看到，anchor box实际上是基于feature map的，而anchorbox的数量为：75 x 100 x 9 = 67500，这里的9就是论文中的k，后面会说道，也就是说，anchorbox的数量是依赖与featuremap的，featuremap上的每个点，都对应着k个anchor box。

源码分析

"""
# --------------------------------------------------------
# Faster R-CNN
# Copyright (c) 2015 Microsoft
# Licensed under The MIT License [see LICENSE for details]
# Written by Ross Girshick and Sean Bell
# --------------------------------------------------------

# --------------------------------------------------------
# generate_anchors.py功能描述：
# 生成多尺度、多宽高比的anchors
# 尺度分别为：128,256,512
# 宽高比分别为：宽高比为：1:2,1:1,2:1 
# --------------------------------------------------------
"""
import numpy as np #提供矩阵运算功能的库
"""
# 生成anchors的main函数：定义了一个列表ratios（表示宽高比）为：1:2,1:1,2:1  
# 定义了一个列表scales:[2^3 2^4 2^5],即:[8 16 32]
# 其中2**x表示:2^x，
"""
def generate_anchors(base_size=16, ratios=[0.5, 1, 2],
                     scales=2**np.arange(3, 6)):
    """
    Generate anchor (reference) windows by enumerating(枚举) aspect ratios X
    scales wrt a reference (0, 0, 15, 15) window.
    """
    base_anchor = np.array([1, 1, base_size, base_size]) - 1	#新建一个参考anchor数组：base_anchor:[0 0 15 15]  
    ratio_anchors = _ratio_enum(base_anchor, ratios)	#枚举各种宽高比
    anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales)
                         for i in xrange