FasterRCNN源码解析（七）——RPN（下）损失计算部分

FasterRCNN源码解析（七）——RPN（下）损失计算部分

主要有以下两个步骤

1. 利用我们标注的gtboxes与生成的anchors进行匹配生成我们的正负样本
2. 利用正负样本计算 PRNloss

---

---

一、self.assign_targets_to_anchors(anchors, targets)

计算每个anchors最匹配的gt，并将anchors进行分类，前景，背景以及废弃的anchors
其返回值为：
labels: 标记anchors归属类别（1, 0, -1分别对应正样本，背景，废弃的样本）
注意，在RPN中只有前景和背景，所有正样本的类别都是1，0代表背景
matched_gt_boxes：与anchors匹配的gt

其主要步骤有：
遍历每张图像的anchors和targets

1. 获取每张图像的真实位置信息即boxes值

2. 计算anchors与真实bbox的iou信息，输出shape为$1\ast 261888$,其中1代表在该张图片中有1一个真实标签

3. 计算每个anchors与gt匹配iou最大的索引（如果iou<0.3索引置为-1，0.3<iou<0.7索引为-2）返回的是tensor，其数值就是-1 代表负样本，-2代表将要淘汰的样本，大于等于0的代表正样本，预测正确样本的标签值（详见第1节）

4. 获取每一个anchor索匹配的对应的gt boxes坐标（将对应-1和-2的anchors匹配为索引为0的gt boxes坐标）并添加到 matched_gt_boxes中

5. 得到正样本，负样本，以及要丢弃的anchors所对应的蒙版，分别将labels_per_image所对应的位置置为1，0.0，-1，并添加到labels中

6. 最后返回我们的 matched_gt_boxes和labels
   

如何计算每个anchors与gt匹配iou最大的索引

通过det_utils.py索引中的Macher类进行计算

1. 记录每个anchors与所有gt匹配的最大iou值 及其 最大值所对应的索引（这里的索引以及下面的索引值都是对真实标签的索引值，有三个真实标签，索引值只有0，1，2）
2. 计算iou小于low_threshold的索引
3. 计算iou在low_threshold与high_threshold之间的索引值
4. iou小于low_threshold的matches索引置为-1
5. iou在[low_threshold, high_threshold]之间的matches索引置为-2
6. 把iou值最大的也设为 正样本

二、self.box_coder.encode(matched_gt_boxes, anchors)

这里所返回的是anchor对应的gtboxes的回归参数regression_targets,数据结构与proposal相同
结合anchors以及对应的gt，计算regression参数

1. 提取anchors的左上角坐标，右下角坐标
2. 提取每个anchors所对应的gtboxes的左上角坐标，右下角坐标
3. 计算anchor以及对应的gtboxes的宽度和高度
4. 计算anchors以及对应的gtboxes的中心坐标
5. 根据上图公式计算anchor对应的gtboxes的回归参数
   以上操作是为了方便处理，将每张图像的anchor个数拼接在了一起，之后再分开
   

<