anchor_target_layer.py代码解读

anchor_target_layer函数，在network.py中作为一个层被调用到，network并且还加了一些其他的处理，封装在_anchor_target_layer函数里面。
这里面有三个函数方法，一个主要的就是anchor_target_layer，其他两个方法都是为这个函数方法服务的。
anchor_target_layer主要针对RPN的输出进行处理，对RPN的输出结果加工，对anchor打上标签，然后通过与groundtrue的信息比对，计算出与真实框的偏差，这些都指向了为计算loss误差做准备。

# --------------------------------------------------------
# Faster R-CNN
# Copyright (c) 2015 Microsoft
# Licensed under The MIT License [see LICENSE for details]
# Written by Ross Girshick and Xinlei Chen
# --------------------------------------------------------
from __future__ import absolute_import
from __future__ import division
from __future__ import print_function

import os
from model.config import cfg
import numpy as np
import numpy.random as npr
from utils.cython_bbox import bbox_overlaps
from model.bbox_transform import bbox_transform
#输入：rpn分类得分，gt、图像、所有框坐标和索引、总框数量
def anchor_target_layer(rpn_cls_score, gt_boxes, im_info, _feat_stride, all_anchors, num_anchors):
  """Same as the anchor target layer in original Fast/er RCNN """
  A = num_anchors#A=总anchor数量
  total_anchors = all_anchors.shape[0]#用shape[0]来统计行数从而统计框数量
  K = total_anchors / num_anchors#框数量和anchor数量的比例，统计一下平均每一个anchor center 有几个框被选取。

  # allow boxes to sit over the edge by a small amount
  _allowed_border = 0#允许框是紧贴图像边缘的

  # map of shape (..., H, W)
  height, width = rpn_cls_score.shape[1:3]#RPN输出得分图的长和宽，应该是第二个reshape之后的，wxh是特征图的大小，代表的是anchor的数量。

  # only keep anchors inside the image
  #过滤掉不在图像范围内的Boxes,首先用where函数加条件筛选出索引
  inds_inside = np.where(
    (all_anchors[:, 0] >= -_allowed_border) &
    (all_anchors[:, 1] >= -_allowed_border) &
    (all_anchors[:, 2] <