FasterRCNN源码解析（六）——RPN（中）Proposal的获取

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：

1. 获取图片数量

2. 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