FasterRCNN源码解析(六)——RPN(中)Proposal的获取
利用生成的anchos以及RPNHead模块得到的预测分数以及目标边界框回归参数,获取proposal,然后再经过一系列算法滤除部分proposal,得到我们RPN模块输出的proposal。
一、RegionProposalNetwork
怎样去实例化RPN模型呢?
rpn = RegionProposalNetwork(
rpn_anchor_generator, rpn_head, # FasterRCNN源码解析(五)所提到的
rpn_fg_iou_thresh, rpn_bg_iou_thresh, # rpn计算损失时,采集正负样本设置的阈值 , 在其之间直接舍去
rpn_batch_size_per_image, rpn_positive_fraction, # 前者是rpn在计算损失时采用正负样本的总个数, 后者是正样本占用于计算损失所有样本
rpn_pre_nms_top_n, rpn_post_nms_top_n, rpn_nms_thresh )
rpn_anchor_generator, rpn_head,
: FasterRCNN源码解析(五)所提到的
rpn_fg_iou_thresh, rpn_bg_iou_thresh,
: rpn计算损失时,采集正负样本设置的阈值 , 在其之间直接舍去
rpn_batch_size_per_image, rpn_positive_fraction
,: 前者是rpn在计算损失时采用正负样本的总个数, 后者是正样本占用于计算损失所有样本
rpn_pre_nms_top_n,
:在nms处理之前 针对每个预测特征层所保留的目标个数
rpn_post_nms_top_n,
:在nms处理之后所剩余的目标个数 即RPN输出的proposal的目标个数
rpn_nms_thresh
:nms处理时 所指定的一个阈值
二、self.filter_proposals
其作用为筛除小boxes框,nms处理,根据预测概率获取前post_nms_top_n个目标
传入的参数有
proposals
: 预测的bbox坐标
objectness
: 预测的目标概率
image_shapes
: batch中每张图片的size信息
num_anchors_per_level
: 每个预测特征层上预测anchors的数目
主要步骤有:
-
获取图片数量
-
对objectness变量进行resape处理,使其变为 b a t c h ∗ 预 测 的 数 值 个 数 batch*预测的数值个数