3.6.锚框

锚框

​ 13.4. 锚框 — 动手学深度学习 2.0.0 documentation (d2l.ai)

​ 一类目标检测算法是基于锚框的，步骤如下：

​ 使用多个被称为锚框的区域(边缘框)，预测每个锚框里是否含有关注的物体，如果有，则预测从这个锚框到真实物体边缘框的偏移(s是缩放比，r是宽高比)

1. 交并比(IoU)

​ 为了对偏移进行预测，我们需要定量地去描述某个锚框和真实边界框的符合程度，直观地说，可以衡量锚框和真实边框之间的相似性的一个参数。

​ 杰卡德系数可以衡量两组之间的相似性，给定集合$A,B$,他们的杰卡德系数是：
$$J(A,B)=\frac{|A\cap B|}{|A\cup B|}$$
​ 因为任何边界框，都可以被视为一组像素,例如左上右下坐标为((1,2),(2,1))，那么显然含有像素点[(1,1),(1,2),(2,1),(2,2)]，通过这个方式，就可以衡量两个边界框的相似性。对于两个边界框，它们的杰卡德系数通常被称为交并比，即两个边界框相交面积与相并面积之比。显然0表示完全不重合，1表示完全重合。

2.基于锚框的算法

2.1 分配真实边界框

​ 其中一种算法是：首先提出很多个锚框，每个锚框都是一个训练样本，均赋予一个锚框标号。每个锚框，要么标注成背景，要么关联一个真实边缘框。

​ 可能会生成大量的锚框，导致有大量的负类样本(背景)，具体如下：

​ 假定锚框是$A_1,A_2,\cdots ,A_n$,真实边界框是$B_1,B_2,\cdots ,B_{n_b}$，其中$n_a\ge n_b$。定义矩阵$X\in {\mathbb{R}}^{n_a\times n_b}$,其中$x_{ij}$表示锚框$A_i$和真实边框$B_j$的IoU

​ 实现步骤如下：

1. 在$X$中找到最大的元素(即重叠最多的)，假设为$x_{i_1{j}_1}$，那么将真实边界框$B_{j_1}$分配给锚框$A_{i_1}$，并丢弃$i_1$行$j_1$列的所有元素(因为已经找到了最匹配的)
2. 在剩余元素中找最大的元素，重复步骤1，直到真实边界框被分配完(也就是说丢完了)
3. 只遍历剩下的$n_a-n_b$个锚框，例如，给定任何锚框$A_i$，在矩阵$X$的第$i$行找到与$A_i$的IoU最大的真实边界框$B_j$，只有当这个IoU大于预定义的阈值时，才将$B_j$分配给$A_i$ (当然也可以直接当成背景，但这样会导致负类太多)

​ 如图，在分配完后，我们还需要遍历剩余的锚框$A_1,A_3,A_4,A_6,A_8$即可。

2.2 使用非极大值抑制(NMS)预测

​ 每个锚框都会预测一个边缘框，那其实很多框都是相似的，我们可以使用NMS来合并相似的预测，基本思路是先选中非背景类的最大预测值，然后去掉所有和这个预测边框IoU大于$\theta$的预测。

​ 实现步骤如下：

​ 对于一个预测边界框$B$,目标检测模型会计算每个类别的预测概率，假设最大的预测概率为$p$,则该概率所对应的类别$B$即为预测的类别，将这个概率称为预测边界框$B$的置信度。在同一张图像中，所有预测的非背景边界框都被按置信度降序排列，以生成列表$L$。

​ 接着选取置信度最高的边界框$B_1$作为基准，将所有与$B_1$的IoU超过预定阈值$\theta$的非基准预测边界框移除，这一操作去除了太过相似的其他预测边界框，简而言之，那些具有非极大值置信度的边界框被抑制了

​ 然后选取第二高的，一直做，直到$L$中所有的预测边界框都曾被用作基准，这时任意一对预测边界框的IoU都小于阈值$\theta$，避免了边界框的相似。

3.代码实现

3.1 生成锚框

假设输入图像高度为$h$,宽度为$w$,以图像的每个像素为中心生成不同形状的锚框：缩放比为$s\in (0,1]$,宽高比为$r>0$，那么锚框的宽度和高度分别是$ws\sqrt{r}$和$\frac{hs}{\sqrt{r}}$

​ 由于缩放比取值和宽高比取值有很多，假设分别为$s_1,\cdots ,s_n$和$r_1,\cdots ,r_m$，显然组合起来太多了，因此我们只考虑包含$s_1$或$r_1$的组合:
$$(s_1,r_1),(s_1,r_2),\cdots ,(s_1,r_m),(s_2,r_1),(s_3,r_1),\cdots ,(s_m,r_1)$$
​ 也就是说，对于一个像素点，锚框数量为$n+m-1$，对于整个输入图像，将生成$wh(n+m-1)$个锚框

import torch
from d2l import torch as d2l

torch.set_printoptions(2)  # 精简输出精度


# @save
def multibox_prior(data, sizes, ratios):
    """生成以每个像素为中心具有不同形状的锚框"""
    in_height, in_width = data.shape[-2:]
    device, num_sizes, num_ratios = data.device, len(sizes), len(ratios)
    boxes_per_pixel = (num_sizes + num_ratios - 1)  # 记录每个像素所需生成的锚框数
    size_tensor = torch.tensor(sizes, device=device)
    ratio_tensor = torch.tensor(ratios, device=device)

    # 为了将锚点移动到像素的中心，需要设置偏移量。
    # 因为一个像素的高为1且宽为1，我们选择偏移我们的中心0.5
    offset_h, offset_w = 0.5, 0.5
    steps_h = 1.0 / in_height  # 在y轴上缩放步长
    steps_w = 1.0 / in_width  # 在x轴上缩放步长

    # 生成锚框的所有中心点，是两个列表
    center_h = (torch.arange(in_height, device=device) + offset_h) * steps_h
    center_w = (torch.arange(in_width, device=device) + offset_w) * steps_w

    # meshgrid生成坐标，比如[1,2] 和[3,4]，就会生成[(1,3),(1,4),(2,3),(2,4)]，取出来的x和y就是([1,1],[2,2])和([3,3],[4,4])
    # 就是取横纵坐标的
    shift_y, shift_x = torch.meshgrid(center_h, center_w, indexing='ij')
    # reshape(-1)表示自动转换成一维向量，并计算长度
    shift_y, shift_x = shift_y.reshape(-1), shift_x.reshape(-1)

    # 生成“boxes_per_pixel”个高和宽，
    # 之后用于创建锚框的四角坐标(xmin,xmax,ymin,ymax)
    # 这里拼接有两个部分，第一部分是宽高比是r1的组合，第二部分是缩放比是s1的组合
    w = torch.cat((size_tensor * torch.sqrt(ratio_tensor[0]),
                   sizes[0] * torch.sqrt(ratio_tensor[1:]))) \
        * in_height / in_width  # 处理矩形输入，最后再调整宽度以匹配图像的宽高比
    h = torch.cat((size_tensor / torch.sqrt(ratio_tensor[0]),
                   sizes[0] / torch.sqrt(ratio_tensor[1:])))
    # 除以2来获得半高和半宽
    # 转置之后变为(boxes_per_pixel,4),再重复像素点次数次，使得每个像素点都有boxes_per_pixel哥锚框
    # repeat是重复每一行若干次，即最后的形状是 ((in_height * in_width *boxes_per_pixel),4) 的形状
    anchor_manipulations = torch.stack((-w, -h, w, h)).T.repeat(
        in_height * in_width, 1) / 2

    # 每个中心点都将有“boxes_per_pixel”个锚框，
    # 所以生成含所有锚框中心的网格，重复了“boxes_per_pixel”次
    # stack(dim=1)表示在第一个维度进行堆叠，形成的形状是(in_height*in_weight,4)
    # 随后的repeat在第0个维度上repeat，形成的形状是 ((in_height * in_width *boxes_per_pixel),4)
    out_grid = torch.stack([shift_x, shift_y, shift_x, shift_y],
                           dim=1).repeat_interleave(boxes_per_pixel, dim=0)
    output = out_grid + anchor_manipulations
    return output.unsqueeze(0)  # 添加一个维度，使输出张量的形状为(1,num_anchors,4)，方便后续处理


img = d2l.plt.imread('../img/catdog.jpg')
h, w = img.shape[:2]

print(h, w)
X = torch.rand(size=(1, 3, h, w))
Y = multibox_prior(X, sizes=[0.75, 0.5, 0.25], ratios=[1, 2, 0.5])
print(Y.shape)
# 将锚框变量Y的形状更改为(图像高度,图像宽度,以同一像素为中心的锚框的数量,4) 锚框数量为3+3-1=5，4代表表示边界框的4个数字
boxes = Y.reshape(h, w, 5, 4) # 有400多万个锚框
print(boxes[1080, 1920, 0, :])

#@save
def show_bboxes(axes, bboxes, labels=None, colors=None):
    """显示所有边界框"""
    def _make_list(obj, default_values=None):
        if obj is None:
            obj = default_values
        elif not isinstance(obj, (list, tuple)):
            obj = [obj]
        return obj

    labels = _make_list(labels)
    colors = _make_list(colors, ['b', 'g', 'r', 'm', 'c'])
    for i, bbox in enumerate(bboxes):
        color = colors[i % len(colors)]
        rect = d2l.bbox_to_rect(bbox.detach().numpy(), color)
        axes.add_patch(rect)
        if labels and len(labels) > i:
            text_color = 'k' if color == 'w' else 'w'
            axes.text(rect.xy[0], rect.xy[1], labels[i],
                      va='center', ha='center', fontsize=9, color=text_color,
                      bbox=dict(facecolor=color, lw=0))


d2l.set_figsize()
bbox_scale = torch.tensor((w, h, w, h))
fig = d2l.plt.imshow(img)
show_bboxes(fig.axes, boxes[1080, 1920, :, :] * bbox_scale,
            ['s=0.75, r=1', 's=0.5, r=1', 's=0.25, r=1', 's=0.75, r=2',
             's=0.75, r=0.5'])

d2l.plt.show()

3.2 交并比(IoU)

​ 注意新增的注释中对形状的解释

#@save
def box_iou(boxes1, boxes2):
    """计算两个锚框或边界框列表中成对的交并比"""
    box_area = lambda boxes: ((boxes[:, 2] - boxes[:, 0]) *
                              (boxes[:, 3] - boxes[:, 1]))
    # boxes1,boxes2,areas1,areas2的形状:
    # boxes1：(boxes1的数量,4),
    # boxes2：(boxes2的数量,4),
    # areas1：(boxes1的数量,),
    # areas2：(boxes2的数量,)
    areas1 = box_area(boxes1)
    areas2 = box_area(boxes2)
    # inter_upperlefts,inter_lowerrights,inters的形状:
    # (boxes1的数量,boxes2的数量,2) 、
    # 找左上右下
    # None的含义是将(N1,2)的形状扩充为(N1,1,2),即左上右下坐标有单独的维度
    # 第三个维度[0]是宽的意思，[1]是高的意思
    inter_upperlefts = torch.max(boxes1[:, None, :2], boxes2[:, :2])
    inter_lowerrights = torch.min(boxes1[:, None, 2:], boxes2[:, 2:])
    inters = (inter_lowerrights - inter_upperlefts).clamp(min=0) #clamp限制元素的大小，即最小不能为负，可能没有交集
    # inter_areasandunion_areas的形状:(boxes1的数量,boxes2的数量)
    inter_areas = inters[:, :, 0] * inters[:, :, 1]# 这时候inters的形状是(数量，1，宽和高)
    #这样一取出来相乘，inter_areas的形状就变为(数量,1)
    union_areas = areas1[:, None] + areas2 - inter_areas
    return inter_areas / union_areas

3.3 分配真实边界框

​ 注意注释：

def assign_anchor_to_bbox(ground_truth, anchors, device, iou_threshold=0.5):
    """将最接近的真实边界框分配给锚框"""
    num_anchors, num_gt_boxes = anchors.shape[0], ground_truth.shape[0]
    # 位于第i行和第j列的元素x_ij是锚框i和真实边界框j的IoU
    jaccard = box_iou(anchors, ground_truth)
    # 对于每个锚框，分配的真实边界框的张量
    anchors_bbox_map = torch.full((num_anchors,), -1, dtype=torch.long,
                                  device=device)  # 初始值为-1表示未分配
    # 根据阈值，决定是否分配真实边界框
    # max_ious,indices形状都是(num_anchors,),前者是最大iou值，后者是对应的索引
    max_ious, indices = torch.max(jaccard, dim=1)  # 即找到每一行(锚框)对应的真实边框（列),按行找最大值，列上比较，dim=1
    anc_i = torch.nonzero(max_ious >= iou_threshold).reshape(-1)  # 包含的是满足括号条件的索引
    box_j = indices[max_ious >= iou_threshold]  # 返回所有 max_ious 大于或等于阈值的对应索引。
    # anc_i 是满足条件的锚框索引，box_j 是对应的真实边界框索引。
    anchors_bbox_map[anc_i] = box_j
    col_discard = torch.full((num_anchors,), -1)
    row_discard = torch.full((num_gt_boxes,), -1)
    # 至此构建好了索引，使用这些索引来更新map
    for _ in range(num_gt_boxes):
        max_idx = torch.argmax(jaccard)  #max_idx返回的是第几个元素，比如jaccard是3*5 的，第jaccard[1][2]最大，返回13
        box_idx = (max_idx % num_gt_boxes).long() # 真实框，要计算列数
        anc_idx = (max_idx / num_gt_boxes).long() # 锚框，计算行数
        anchors_bbox_map[anc_idx] = box_idx
        jaccard[:, box_idx] = col_discard # 丢弃
        jaccard[anc_idx, :] = row_discard
    return anchors_bbox_map

3.4 标记类别和偏移量

​ 现在假设每个锚框A都被分配了一个真实边界框B，一方面锚框A的类别将被标记为B的类别，另一方面，锚框A的偏移量将根据B和A的中心坐标位置以及这两个框的相对大小进行标记，鉴于数据集内不同的框的位置和大小不同，我们可以对那些相对位置和大小应用变换，使其获得分布更均匀且易于拟合的偏移量。

​ 一种常见的变换是：给定边界框A和B，中心坐标分别为$(x_a,y_a),(x_b,y_b)$，宽度分别为$w_a,w_b$，高度分别为$h_a,h_b$，那么可以将A的偏移量标记为：
$$(\frac{\frac{x_b-x_a}{w_a}-{\mu }_x}{{\sigma }_x}，\frac{\frac{y_b-y_a}{h_a}-{\mu }_y}{{\sigma }_y},\frac{log\frac{w_b}{w_a}-{\mu }_w}{{\sigma }_w},\frac{log\frac{h_b}{h_a}-{\mu }_h}{{\sigma }_h})$$
​ 其中常量的默认值为${\mu }_x={\mu }_y={\mu }_w={\mu }_h=0,{\sigma }_x={\sigma }_y=0.1,{\sigma }_w={\sigma }_h=0.2$

​ 使用offset_boxes函数实现：

def offset_boxes(anchors, assigned_bb, eps=1e-6):
    """对锚框偏移量的转换"""
    c_anc = d2l.box_corner_to_center(anchors) # 将两角坐标转换为中心坐标
    c_assigned_bb = d2l.box_corner_to_center(assigned_bb)
    offset_xy = 10 * (c_assigned_bb[:, :2] - c_anc[:, :2]) / c_anc[:, 2:]
    offset_wh = 5 * torch.log(eps + c_assigned_bb[:, 2:] / c_anc[:, 2:]) #eps避免为0
    offset = torch.cat([offset_xy, offset_wh], axis=1)
    return offset

​ 如果一个锚框没有被分配真实边界框，将锚框的类别标记为背景，称为负类锚框，其余被称为正类锚框。使用真实边界框(labels参数)实现multibox_target函数，来标记锚框的类别和偏移量，此函数将背景类别的索引设置为0，然后新类别的索引递增1.

def multibox_target(anchors, labels):
    """使用真实边界框标记锚框"""
    # labels 是形状为 (batch_size, num_labels, 5) 的张量，
    # 描述每个样本的真实边界框及其类别（后四个值是边界框坐标，第1个值是类别标签）。
    #anchors.squeeze(0) 将 anchors 的形状从 (1, num_anchors, 4) 变为 (num_anchors, 4)。
    batch_size, anchors = labels.shape[0], anchors.squeeze(0)
    batch_offset, batch_mask, batch_class_labels = [], [], []
    device, num_anchors = anchors.device, anchors.shape[0]
    for i in range(batch_size):
        label = labels[i, :, :]
        anchors_bbox_map = assign_anchor_to_bbox(
            label[:, 1:], anchors, device)
        # bbox_mask指示哪些锚框被分配了真实边界框
        # unsqueeze(-1)在最后添加一个维度，将形状(num_anchors,)变为(num_anchors,1)
        # repeat(1,4)在最后一个维度重复4次，变为(num_anchors,4),每个锚框的4个坐标都将共享一个掩码值
        bbox_mask = ((anchors_bbox_map >= 0).float().unsqueeze(-1)).repeat(
            1, 4)
        # 将类标签和分配的边界框坐标初始化为零
        class_labels = torch.zeros(num_anchors, dtype=torch.long,
                                   device=device)
        #assigned_bb 是一个形状为 (num_anchors, 4) 的张量，用于存储每个锚框分配到的真实边界框坐标。
        assigned_bb = torch.zeros((num_anchors, 4), dtype=torch.float32,
                                  device=device)
        # 使用真实边界框来标记锚框的类别。
        # 如果一个锚框没有被分配，标记其为背景（值为零）
        # indices_true 储存分配了真实边界框的锚框索引
        indices_true = torch.nonzero(anchors_bbox_map >= 0)
        # 这些锚框分配到的真实边界索引bb_idx
        bb_idx = anchors_bbox_map[indices_true]
        class_labels[indices_true] = label[bb_idx, 0].long() + 1
        assigned_bb[indices_true] = label[bb_idx, 1:]
        # 偏移量转换
        offset = offset_boxes(anchors, assigned_bb) * bbox_mask #掩码值为1才需要计算偏移
        batch_offset.append(offset.reshape(-1))
        batch_mask.append(bbox_mask.reshape(-1))
        batch_class_labels.append(class_labels)
    bbox_offset = torch.stack(batch_offset)
    bbox_mask = torch.stack(batch_mask)
    class_labels = torch.stack(batch_class_labels)
    return (bbox_offset, bbox_mask, class_labels)

3.5 NMS

​ 在知道预测偏移量后，一般使用逆偏移变换来返回预测的边界框坐标(就是把$x_b$的坐标解出来)

#@save
def offset_inverse(anchors, offset_preds):
    """根据带有预测偏移量的锚框来预测边界框"""
    anc = d2l.box_corner_to_center(anchors)
    pred_bbox_xy = (offset_preds[:, :2] * anc[:, 2:] / 10) + anc[:, :2]
    pred_bbox_wh = torch.exp(offset_preds[:, 2:] / 5) * anc[:, 2:]
    pred_bbox = torch.cat((pred_bbox_xy, pred_bbox_wh), axis=1)
    predicted_bbox = d2l.box_center_to_corner(pred_bbox)
    return predicted_bbox

  # nms函数按降序对置信度先进性排序
#@save
def nms(boxes, scores, iou_threshold):
    """对预测边界框的置信度进行排序"""
    B = torch.argsort(scores, dim=-1, descending=True)
    keep = []  # 保留预测边界框的指标
    while B.numel() > 0:
        i = B[0]
        keep.append(i)
        if B.numel() == 1: break
        iou = box_iou(boxes[i, :].reshape(-1, 4),
                      boxes[B[1:], :].reshape(-1, 4)).reshape(-1)
        inds = torch.nonzero(iou <= iou_threshold).reshape(-1)
        B = B[inds + 1]
    return torch.tensor(keep, device=boxes.device)

def multibox_detection(cls_probs, offset_preds, anchors, nms_threshold=0.5,
                     pos_threshold=0.009999999):
  """使用非极大值抑制来预测边界框"""
  device, batch_size = cls_probs.device, cls_probs.shape[0]
  anchors = anchors.squeeze(0)
  num_classes, num_anchors = cls_probs.shape[1], cls_probs.shape[2]
  out = []
  for i in range(batch_size):
      cls_prob, offset_pred = cls_probs[i], offset_preds[i].reshape(-1, 4)
      conf, class_id = torch.max(cls_prob[1:], 0)
      predicted_bb = offset_inverse(anchors, offset_pred)
      keep = nms(predicted_bb, conf, nms_threshold)

      # 找到所有的non_keep索引，并将类设置为背景
      all_idx = torch.arange(num_anchors, dtype=torch.long, device=device)
      combined = torch.cat((keep, all_idx))
      uniques, counts = combined.unique(return_counts=True)
      non_keep = uniques[counts == 1]
      all_id_sorted = torch.cat((keep, non_keep))
      class_id[non_keep] = -1
      class_id = class_id[all_id_sorted]
      conf, predicted_bb = conf[all_id_sorted], predicted_bb[all_id_sorted]
      # pos_threshold是一个用于非背景预测的阈值
      below_min_idx = (conf < pos_threshold)
      class_id[below_min_idx] = -1
      conf[below_min_idx] = 1 - conf[below_min_idx]
      pred_info = torch.cat((class_id.unsqueeze(1),
                             conf.unsqueeze(1),
                             predicted_bb), dim=1)
      out.append(pred_info)
  return torch.stack(out)