Mask RCNN 源码阅读(update)

 

         之前看了Google官网的object_dectect 的源码，感觉Google大神写的还不错。最近想玩下Mask RCNN,就看了下源码，这里刚好当做总结和梳理。链接如下：

Google官网的object_dectect：https://github.com/tensorflow/models/tree/master/research/object_detection

Mask RCNN： https://github.com/matterport/Mask_RCNN

一个使用tensorflow 写的，一个是用keras写的，我自己是对tensorflow 会熟悉，但是kearas没用过，不过不影响看代码哈。有个比较困惑的地方，

好像我记得faster rcnn 中的rpn网络first stage的loss是proposals 和 gt_box的loss，而mask rcnn 是调出来进入第二步骤的正样本的proposals 和对应gt_box的loss，

虽然实际training中可能结果是一样的（我们一般会设置一个比较大的值，使得图像中所有的正样本都被框中，且进入second stage training）.恩，废话不多说，开始

写mask rcnn 的源码阅读理解啦。这里简单的梳理下数据流向，就是图像被处理的一个个步骤，不过得对faster rcnn 和 fpn两个网络有所了解才好。

（一般阅读代码，使用py的文件比较多，进入函数，单步调试之类的，mask rcnn的例子都是ipynb，一般调成.py，在pycharm上单步调试。）

 

 

简而言之,mask rcnn 使用的是faster rcnn 的框架，和使用fpn的网络提取特征，在这个基础上增加了mask的预测。

事前准备：

训练数据 image

 

数据label：关于image的目标分割图

label的特征是对目标可以分割出来

 

然后，处理流程是这样的：

输入一张图，然后进入使用fpn网络提取特征,基本特征网络结构是resnet，框架是fpn的金字塔结构，如下图：

 

 简要介绍是：

1-卷积过程：

一张图进入，resnet 不是有4个block，每个block提取的特征输出保存住，构成list [ c2,c3,c4,c5],代码如下：

 

2-上采样过程

 将顶端的c5进行上采样，生成list [p2,p3,p4,p5,p6],其中p6是通过p5，加一次池化polling得到的。代码如下：

得到以后，first stage 和second stage的公共部分就得到啦，现在要分别处理了哦：

然后，就是两个过程，一个是 rpn过程，一个是mrcnn过程：

 1-rnp过程：

        rpn做啥？？？全称是Region Proposal Network,就是生成目标的矩形块，在faster rcnn中，只有一个feature map最终

的输出作为rpn的输入，就是 一个feature map 加上几层卷积，fully connect network ，然后就输出了rpn_bbox，rpn_prob,rpn_logit,

代码如下，输入的 x就是feature map

 

然而！！！，fpn网络是有多个 feature map 作为支撑输出 rpn的，所有作者这里就 把rpn网络包装成一个model，然后，

rpn_feature_map 中有的p2，p3，p4，p5，p6，一个个输入，再一个个输出，就可以的得到不同尺度的proposals box：

包装成model：

一个个提取proposals box：

这时候我们肯定会有疑问啦，不同尺寸的bbox可以放在一起吗？答案是可以的，因为，他们是归一化以后的，就像1/2 =2/4，一个样子。

接下来怎么办？，rpn还没有结束，rpn要变成roi，就是生成的框还要挑选下，变成生成的框+感兴趣的框（interest），所以要进入nms：

这里有几点要注意，就是rpn网络预测的实际上不是 object bbox，而是基于anchor的deata，就是图片中本来就有bbox（anchor），rpn预测的只是

这些anchor 离object 的bbox的中心偏差多少，长宽比偏差多少？示意图如下：

   

 

这里的rpn讲的不错：http://www.cnblogs.com/dudumiaomiao/p/6560841.html    

 

    到此，first stage 基本结束，其实first stage做的是将目标找出来（不管目标是哪一个类别），接下来就是生成first stage rpn 和 anchor 一起生成bbox的过程（在Google object detection 代码中

这个过程叫做解码，把bbox信息解码出来）：

自此，first stage 暂时到这里，就是输出了 bbox proposals ，object_classifier_prob,(目的是是否目标)

2-mrcnn过程：

对于DEtectionTargetLayer 这个函数对于:功能是

1、通过first stage 生成的proposals 和gt_box计算出iou矩阵 ，并通过iou值，取（crop）出正样本的feature map 和负样本的\feature map （

为什么这么搞，因为后期训练需要正负样本才能训练，如果全是正样本那就模型失效啦，为什么coco数据集是默认0.33正样本，因为其实我们

经常识别的目标在场景中都是占的比例是较少的，所以这里训练时给个经验值让正样本偏少些，但是正负样本比例不能差距太大，不然就训练

不收敛，假如0.1，则不训练随机猜测为负样本的准确率都有90%），其中正负样本比例通过config.ROI_POSITIVE_RATIO设置。

代码如下：

 

同时通过proposals和gt_box的偏差获得mask的偏差

这里大家可能有疑问：不是得用image height和width吗？为什么这里分母是：gt_h,gt_w，且mask又是怎样的一个形式。在config中有一个

配置项：config.USE_MINI_MASK，这个配置项目默认值是True，目的是为了在存储使用mask的时候使用小mask，也就是以object的bbox

为height和width（这样多余的0就不需要存储了）。所以就有了上面的gt_h,gt_w,当时看到这里的时候在想，不是得用image height和width

吗？后面看到 if config.USE_MINI_MASK就明白啦。

 这里再多说两句，关于mask又是怎样的一个形式：

我们使用load_mask()函数，输出的是一个个和图像一样大小的mask，且该图像中有多少个目标，就mask就有多少个channal，一个目标

一个channal，用以后期提取bbox方便。然后，config.USE_MINI_MASK = True，就会再配置

这样，一张和图片同样大小的mask输入后，先将目标的bbox提取出来，再从大图片中crop出目标，然后在resize到（56*56），这样就节省

内存啦。

至此，准备工作做好了，接下来就是要求出每个proposals的类别（是人，还是自行车。。。。），并refine bbox和预测mask.

接下来讲两个函数，一个是fpn_classifier_graph，一个是build_fpn_mask_graph。前面的是对proposals中预测类别，后面的是预测mask，输入的都是

mrcnn_featur_map.

2、通过fpn_classifier_graph，

 

（更新）这里有个挺有趣的，就是，我们得到proposals后，要获得目标的feature map 信息，但是

我们的特征是 金字塔的（pyramid）的，从哪个图层crop下来呢？这里就有一个根据你的框的大小定位到一个图层的计算公式：

具体公式看fpn 那篇论文，表达的是框越小，level 越小，（目标小，level低的图层保留信息较完善，所以crop  level低的图层）

 

 

 

目标识别的传统操作，输出logits，probs，bbox。

 

2、通过buil_fpn_mask_grph，都是传统操作，卷积、fully connect，输出想要的结果：

至此，程序就差不多结束啦，后面就是loss了：

 （更新）对于loss的简要介绍：

rpn_class_loss_graph：是 在rpn阶段识别的前景/背景的loss计算，这种分类的一般是交叉熵loss，见下：

：这个是rpn bbox loss，有一个trick 就是，这里只统计偏差（diff，见下面代码）比例小于1的，因为大于1的没有必要

就像faster rcnn选择iou > 0.7,为正样本，小于0.3的为负样本，当偏差大于1的时候，距离太远了，iou肯定是小的，这种loss不计算在内：

：同样的，对于类别分类使用交叉熵，这里就不给出了。

：使用l1 loss 为什么和上面不一样呢？实际和rpn bbox 差不多，就是取差值

：使用的是binary 交叉熵，做损失统计，我记得之前传统的分割方法，比如（

FC-DenseNet56）等，使用的loss是cross_entropy 有，还有一种是lovasz

 

Q/A（更新）：

   1、mask cnn引入预测K个输出的机制，允许每个类都生成独立的掩膜，避免类间竞争。这样做解耦了掩膜和种类预测，这句话的理解？

嗯，其实就是对于一个目标（或proposal）都生成number_classes 的mask，然后，只有与预测相一致类别的mask才会对loss有贡献，

并且，使用binary cross-entropy loss （具体是tf.nn.sigmoid_cross_entropy_with_logits）进行训练，这和传统的图像分割不一样，传统的图像经过fcn网络在像素级上分割，每个像素进行分类，这样就会导致类间的区域竞争，最后识别分割的结果出现颗粒感比较重的感觉,fcn使用的loss计算是SoftmaxLoss（具体是：tf.nn.softmax_cross_entropy_with_logits）。其实，binary cross-entropy loss常用在2分类，SoftmaxLoss是在多分类的，基本计算loss的原理都差不多，都是和ground truth的差（或“距离”）。

 

 

 

--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- 

最最后面放一下我的笔记，按我的建议是不建议大家看的，主要目的是笔记本的笔记容易丢，放在网上看的时候方便，给我自己看的哈（字漂，一般人都看不懂！）

 

 

 

 

 

 

转载于:https://www.cnblogs.com/YouXiangLiThon/p/9178861.html