Retinaface代码记录（三）(默认框生成)

一、写在开头

这次主要记录关于Retinaface的默认框生成部分。

下面是代码地址：
Retinaface代码地址

主要包括的脚本为：
prior_box.py

也欢迎阅读其上一篇博客Retinaface代码记录（一）。可以帮助读者对本片博客可以有一个整体上的把握和理解。

二、主要内容

这个主要包含一个PriorBox类，首先在__init__中传入一系列后续要用到的参数，然后在forward（）中，来获取一系列默认框。具体获取方式：先遍历三个特征图，（特征图大小为[80,40,20]论文中提到的是5个，但代码实现只有3个，如下图。）获取默认框大小，即min_sizes[k],然后遍历特征图的每个像素点（itertools.product()即返回相应的笛卡尔坐标，各个坐标值相应配对），s_kx,s_ky代表的是默认框的宽w和高h；dense_cx,dense_cy包含的是默认框的中心点，即遍历获取的特征图的像素点。这里我们可以看到，x,y乘以的是steps/image_size,因为feature_map和steps的乘积正好是image的大小，这样处理刚好等分遍历完整个图像。最后变化下anchors的形状（[x,y,w,h]这个样子），并将其归一化于0-1之间（clamp()即将输入压缩与min和max之间，小于min的记为min，大于max的记为max），因为论文中 the aspect ratio at 1:1，所以直接返回即可。

prior_box.py：

import torch
from itertools import product as product
import numpy as np
from math import ceil


class PriorBox(object):
    def __init__(self, cfg, image_size=None, phase='train'):
        super(PriorBox, self).__init__()
        self.min_sizes = cfg['min_sizes']  # 'min_sizes': [[16, 32], [64, 128], [256, 512]]
        self.steps = cfg['steps']  # 'steps': [8, 16, 32]
        self.clip = cfg['clip']  # 'clip': False
        self.image_size = image_size  # cfg_mnet中'image_size': 640，  cfg_re50中'image_size': 840
        self.feature_maps = [[ceil(self.image_size[0]/step), ceil(self.image_size[1]/step)] for step in self.steps] #feature_maps : [80,40,20]
        self.name = "s"

    def forward(self):
        anchors = []
        for k, f in enumerate(self.feature_maps):
            min_sizes = self.min_sizes[k]
            for i, j in product(range(f[0]), range(f[1])):
                for min_size in min_sizes:
                    s_kx = min_size / self.image_size[1]
                    s_ky = min_size / self.image_size[0]
                    dense_cx = [x * self.steps[k] / self.image_size[1] for x in [j + 0.5]]
                    dense_cy = [y * self.steps[k] / self.image_size[0] for y in [i + 0.5]]
                    for cy, cx in product(dense_cy, dense_cx):
                        anchors += [cx, cy, s_kx, s_ky]

        # back to torch land
        output = torch.Tensor(anchors).view(-1, 4)
        if self.clip:
            output.clamp_(max=1, min=0)
        return output

三、结尾

默认框生成的介绍到这里就结束了。有什么疑问的，可以看下我的这篇博客，里面是一个综述。