Domain adaptive faster-RCNN代码复现笔记

1.NMS代码复现笔记

from __future__ import absolute_import
import numpy as np
import torch

dets = np.array([
                [204, 102, 358, 250, 0.5],
                [257, 118, 380, 250, 0.7],
                [280, 135, 400, 250, 0.6],
                [255, 118, 360, 235, 0.7]])
thresh = 0.8 #这里为了能在Debug过程中比较清楚的显示NMS的多轮少筛选过程，因此将thresh设置较高，实际情况thresh一般比较小，约0.3

def nms_cpu(dets, thresh):
    dets = dets.numpy()
    x1 = dets[:, 0]
    y1 = dets[:, 1]
    x2 = dets[:, 2]
    y2 = dets[:, 3]
    scores = dets[:, 4]

    areas = (x2 - x1 + 1) * (y2 - y1 + 1)
    order = scores.argsort()[::-1]
    # 根据score由大到小将anchor进行排序，得到对应的排序后的anchor的索引。
    # 作者使用索引来进行anchor的筛选的原因是作者希望所有的anchor的删除和
    # 保留都要在最原始的anchor的索引上进行操作。

    keep = [] # keep保存了最后经过NMS后的anchor的索引的集合。order中的索
              # 引最终有两个去向，要么进入keep作为NMS后的anchor输出对应索
              # 引，要么IOU高于设定thresh，被舍弃。直到最后order中不含有
              # 任何anchor索引

    while order.size > 0:
        i = order.item(0) # order中的第一个索引所对应的anchor一直是比较的
                          # 对象。
        keep.append(i) # 将该anchor索引加入keep
        # 比较该anchor的左上角坐标和右下角坐标与其余所有anchor的大小，为了
        # 为了计算重叠区域的w，h，以及面积，重叠区域的左上角坐标取最大值，
        # 重叠区域右下角坐标取最小值。
        xx1 = np.maximum(x1[i], x1[order[1:]])
        yy1 = np.maximum(y1[i], y1[order[1:]])
        xx2 = np.maximum(x2[i], x2[order[1:]])
        yy2 = np.maximum(y2[i], y2[order[1:]])
		# 此处考虑到该anchor可能与某些anchor不重叠，导致计算的重叠区域的
		# w，h为负数，保证w，h均为正数。
        w = np.maximum(0.0, xx2 - xx1 + 1)
        h = np.maximum(0.0, yy2 - yy1 + 1)
        inter = w * h
        #  areas[order[1:]是分别计算了该anchor与其余每个anchor之间的IOU
        ovr = inter / (areas[i] + areas[order[1:]] - inter)
		# 保留符合要求的anchor的索引，由于此时inds对应的索引上进行操作，
		# ovr的索引相比较原始的anchor索引均少1，需要恢复，故+1。
        inds = np.where(ovr <= thresh)[0]
        # 去除掉了本轮的anchor以及IOU阈值高于thresh的anchor，剩下的anchor
        # 进入下一轮继续筛选和比较。
        order = order[inds + 1] 

    return torch.IntTensor(keep)
    
nms_cpu(det, thresh)
    

参考：
Faster R-CNN源代码(TF)–nms/py_cpu_nms.py.
最详细的Faster-RCNN代码解读Pytorch版 (二) RPN部分.