wolf2345的博客

这段时间看了不少论文，回头看看，感觉还是有必要将Faster rcnn的源码理解一下，毕竟后来很多方法都和它有相近之处，同时理解该框架也有助于以后自己修改和编写自己的框架。好的开始吧～这里我们跟着Faster rcnn的训练流程来一步一步梳理，进入tools\train_faster_rcnn_alt_opt.py中：首先从__main__入口处进入，如下：上图中首先对终端中的命令行进行解析，获取...

接着上篇的博客，咱们继续看一下Faster RCNN的代码～上次大致讲完了Faster rcnn在训练时是如何获取imdb和roidb文件的，主要都在train_rpn()的get_roidb()函数中，train_rpn()函数后面的部分基本没什么需要讲的了，那我们再回到训练流程中来：这一步训练的网络结构见下图：训练的第一步就这么完成了（RPN网络使用gt_roidb训练完成），还有，这里的tr...

紧接着之前的博客，我们继续来看faster rcnn中的AnchorTargetLayer层：该层定义在lib>rpn>中，见该层定义：首先说一下这一层的目的是输出在特征图上所有点的anchors（经过二分类和回归）；（1）输入blob：bottom[0]储存特征图信息，bottom[1]储存gt框坐标,bottom[2]储存im_info信息；（2）输出blob：top[0]存储an...

上一篇我们说完了AnchorTargetLayer层，然后我将Faster rcnn中的其他层看了，这里把ROIPoolingLayer层说一下；我先说一下它的实现原理：RPN生成的roi区域大小是对应与输入图像大小（而且每一个roi大小都不同，因为先是禅城九种anchors，又经过回归，所以大小各不同），所以在ROIPoolingLayer层中，先将每一个roi区域映射到经过conv5的feat...