第一次写技术Blog，准备走上computer vision的道路，那就必不可少的需要求助，由于在CSDN也得到了太多的帮助，于是决定把自己学到的东西都放在公开平台上，希望也能帮助到你，也欢迎广大网友发现问题，及时指正。废话不多说，开始这篇对在cv领域产生革命性影响的RCNN的进化版Faster RCNN的究极详解。
1.把总结写在前面，先说一说Faster RCNN包含那些重点且它们都是干嘛的，如何进行训练的？测试的？
先放图：
1.1基本CNN【例如‘VGG’，'RESnet‘等】
首先由于输入的图片可能会存在尺寸不同的问题，例如 900X600 的图片和 800X500 的图片无法输入到同一个基础CNN中，因此需要将输入图片统一，此处为设置为 900X600。
最初的图片在经过尺寸统一处理后，要放入卷积网络中，并产生Faster RCNN最初的输入feature map【512X37X50】（由于Conv中有四次pooling导致原图尺寸变为原来的1/feat_stride， feat_stride = 16。
1.2RPN卷积网络层
RPN （Region of proposal network）， RPN层是需要进行训练产生Loss，并进行参数学习的层。要产生所谓的Loss并进行梯度下降更新参数，预测值和真值是必须所在。
1）.首先我们将对1.1中产生的feature_map进行卷积操作【3X3，512】，此处3X3的kernel整合以feature_map为中心的周围9个像素点的特征，为了使得每个特征点包含更多信息。接着进行【1X1conv，18】产生18X37X50的特征，每个点默认有9个anchors，每个anchor包含两个预测值（foreground和background的可能性） 因此每个特征点（共37X50）有18个预测值（此处不关心具体类别，只用于区分是否包含物体，foreground有物体，background没有）。
reshape应用于将每个anchor的预测值单独出一个维度，方便softmax计算和后续制作标签
softmax将预测值进行归一化，得到最终预测值
再次reshape返回最初特征图的尺寸方便用于Loss计算。
2）. 另一个分支进行【1X1，36】的卷积，得到36X37X36的特征，每个特征点拥有36维的数据用于表示9（个anchors）X 4（中心点座标和宽高值）=36维。
RPN部分的部分代码如下（源代码：）
此处包含两个网络，1.分类网络：得到每个anchor前背景得分和概率；2.回归网络：得到每个anchor的座标预测偏移值（此偏移值为相对于后面会讲的真值anchors的偏移值，并不是相对于ground truth的）
def forward(self, base_feat, im_info, gt_boxes, num_boxes):
#输入数据的第一维是batch尺寸
batch_size = base_feat.size(0)
#先利用3 X 3卷积进一步融合特征
rpn_conv1 = F.relu(self.RPN_Conv(base_feat), inplace=True)
# get rpn classification score（1 X 1得到分类网络，每个点代表anchor的前背景得分）
rpn_cls_score = self.RPN_cls_score(rpn_conv1)
#利用reshape和softmax得到前背景概率
rpn_cls_score_reshape = self.reshape(rpn_cls_score, 2)
rpn_cls_prob_reshape = F.softmax(rpn_cls_score_reshape, 1)
rpn_cls_prob = self.reshape(rpn_cls_prob_reshape, self.nc_score_out)
# get rpn offsets to the anchor boxes 得到回归网络
rpn_bbox_pred = self.RPN_bbox_pred(rpn_conv1至此我们的预测值已经就位，待我们补全真值，便可以进行RPN的Loss的计算和梯度更新参数。
需要注意的事（理解误区)：
这里两条分支所产生的分别是anchor类别和座标预测值，这里的anchor都是假想出来的，在图像中并不真实存在，是人为说的这18和36个数分别属于9个不同尺寸的anchor，但后续会制作真实的anchor，假想的anchor和真实的anchor进行Loss的值计算时，用于para（参数）的更新的同时，也就进行了假想和真实anchor的一一对应。这里很容易导致误解，笔者在思考过程中也困惑于为何这个卷积的输出即分别属于9个anchor?这9个anchors哪来的这些问题。
1.3RPN真值的求取
本阶段，我们进行所有anchor的真值制作，与anchor的预测值（1.2中）进行Loss计算，并用于参数学习。
上图：
1.全部anchor生成
anchor生成部分代码解释整体可参照此链接，博主觉得这篇代码解读对我的帮助最大，希望对你亦是如此
附上链接：Anchor_target_layer.py
下面从代码角度简单讲解一下生成过程：
——————————————————
def generate_anchors(base_size=16, ratios=[0.5, 1, 2], scales=2**np.arange(3, 6)):
""" Generate anchor (reference) windows by enumerating aspect ratios X scales wrt a reference (0, 0, 15, 15) window. """
#首先创建一个基本anchor【0，0，15，15】
base_anchor = np.array([1, 1, base_size, base_size]) - 1
#将基本anchor进行宽高变化，生成三种宽高比的anchors
ratio_anchors = _ratio_enum(base_anchor, ratios)
#将上述anchors再进行尺度scale的变化，最终得到9种anchors
anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales) for i in xrange(ratio_anchors.shape[0])])
return anchors
————————————————————————————————在自行阅读代码之前，解释一下anchor生成机制，可能会帮助理解：
1）.generate_anchors（base_size=16， ratio = 【0.5， 1， 2】， scale = 2**np.arange（3，6))
generate_anchors代码理解
三个参数含义：
a).base_size表示从原图到特征图的缩放尺寸（16倍）
b).ratio表示三种边长比例，注意：三种边长比例是在在相同面积下（例如：面积同样为256，三种边长比的anchor尺寸分别为：22 X 11(2:1), 16 X 16(1:1)， 12 X 23(1:2)， 他们面积都为256，但边长比例不同，故原文中设置的ratio用于相同面积下，不同比例边长的anchor的产生。
c).scale = 【8，16，32】，用于产生不同面积的anchor，面积分别为16X8 X 16X8 = 128 X128, 16X16 X 16X16 = 256 X 256, 16X32 X 16X32 = 512 X 512.
2）.文中从feature_map中的第一个点（0，0）点进行初始化，特征图上的（0，0）点对应原图上左上（0，0），右下（15，15）的范围
在经过三组面积scale和边长ratio处理后结果如图：
3）在得到初始的anchor如上图，下一步进行平移变换，得到所有特征点对应的总37 X 50 X 9个anchors，代码中的shift变量存有全部0~特征图尺寸的数据，用于将初始化的anchor平移得到全部anchors
4）在得到全部anchors后要将超出边界范围的anchor删掉，即那些左上角座标<0,右上角座标>原图尺寸的anchors。
这样我们得到【M，4】尺寸的数据，M表示全部内部anchors的数量，4是每个anchor的座标。
2.anchor真值的求取
基础原理上图：
1）标签原则：
对于真值的获取，采用bbox_overlaps_batch()函数，用于计算每个anchor与所有ground truth的IoU值（intersection of Union）上图阴影面积。如图，anchor A 和anchor C与真值重合满足要求，则标签为1（前景）；anchor C不满足，标签为0（背景）。
具体要求：
与gt_box有IoU最大的anchor标记1，每个anchor若与某个gt_box IoU值大于threshold，标记为1；小于某个设定值时，标记为0；在区间的anchor为无效anchor。标记-1。
结果：
上述过程产生的overlap是【1，M，N】的数据，1表示batch_size = 1（一个批次一张图片），M表示anchor数量，N表示gt_box数量。每个数据表示此anchor与此gt_box的IoU值。
最后返回anchors和Label，尺寸为【M有效，4】，【M有效，1】,‘M有效’ 表示经过筛选后的anchor数量。
2）降采样：
对于这些样本，仍然数目太多，并且绝代部分都是负样本（背景），所以我们需要筛选部分有效的正样品和负样品。
具体代码解释见： 文中 6.降采样
简单代码帮助理解：
————————————————————————
def forward(self, input):
......
for i in range(batch_size):
# subsample positive labels if we have too many
#进行下采样选取
if sum_fg[i] > 128:
fg_inds = torch.nonzero(labels[i] == 1).view(-1)
rand_num = torch.from_numpy(np.random.permutation
(fg_inds.size(0))).type_as(gt_boxes).long()
disable_inds = fg_inds[rand_num[:fg_inds.size(0)-num_fg]]
labels[i][disable_inds] = -1 #-1代表无效值
#负样本同上
......—————————————————————————
3）最后输出我们根据ground truth制作的anchor真值（包括：标签，anchor相对gt_box的座标偏移值，bbox_inside_weight， bbox_outside_weight）
下面要说的很重要！！
思想误区：这里有笔者在学习过程中遇到的思想误区，一定要分清网上解析和书中所说的anchor真值和ground truth下面缩写成gt的区别，两者都是真值，那他们是一样的吗？
当然不一样！！！ 假设一张图片中，我们人为制作标签时框选出的目标框为gt，一张图片可能就那么两三个物体和他们的框，即一张图片2，3个gt。相反，每张图片的anchor真值，是我们根据我们产生的10000+个anchor与ground truth的IoU值大小的判定以及对于距离gt近的anchor进行偏移后得到的。最后经过筛选，我们选出256个anchor真值（128正，128负），即每张图片相应有256个anchor真值，作为新的标签，输入RPN网络中的Loss计算中，目的学习参数，使得我们预测的anchor与我们制作的anchor能够尽可能接近。
下面从代码的角度，讲解一些代码内容中不好理解的部分：
先列出帮助理解的数据和操作：
- offset参数： 由于batch的存在，导致index会出现混乱，例如argmax_overlaps数据为【B，M】，第一维是各个batch，第二维，它的意义是每个anchors的最大IoU对应的gt的index（M可能为【0，2，1，3，2，…】，我们的输入argmax_overlaps.view(-1),是一个【BXM，1】的数据，如果我们不进行offset的座标变换操作，会导致所有除了第一批次的anchors，都仅仅使用第一批次的gt，导致错误。原因在于，我们对gt_box进行了view操作，把它变成了【BXK，1】的数据结构，前K个数据是第一批次的gt数据，K到2K的数据属于batch2，以此类推。
offset进行扩维以前为：【0,0,0,…(K个)，K,K,K,…(K个)，2K,2K,2K,…(K个)，…】，由此，我们将第二批次的数据平移K个单位，是其anchor于gt保证正确的对应关系。 - box_target: 存于anchors与gt_box一一对应后的偏移值（dx，dy，dw，dh）
- bbox_inside_weights： 是正负样本在计算Loss时会用到的系数。正样本为1，负为0，相当于Loss公式中的Pi*。它其实起到一个mask的作用，当我们在计算回归随时的时候，我们是不需要考虑负样本的回归损失的，但由于我们使用矩阵相乘的方式，矢量化来求取我们的Loss实际上我们将负样本的回归损失也是进行计算了的，因此我们在进行相加之前用一个mask来将所有的负样本的回归损失全部过滤掉。
- bbox_outside_weights: 与3同理，它相当于式中的λ/Nreg系数。
损失函数计算公式如下：
——————————————————
# gt_boxes (B,K,5)
offset = torch.arange(0, batch_size)*gt_boxes.size(1)#offset(batch_size,)
# argmax_overlaps（B，M） + （B，1） ！！索引需要
argmax_overlaps = argmax_overlaps + offset.view(batch_size, 1).type_as(argmax_overlaps)
# gt_boxes.view(-1,5) (B*K,5)所以需要offset
# bbox_targets (batch_size, -1, 5)
bbox_targets = _compute_targets_batch(anchors, gt_boxes.view(-1,5)[argmax_overlaps.view(-1), :].view(batch_size, -1, 5))
# use a single value instead of 4 values for easy index.
#求出的偏移，是要看这个anchor离哪一个gt最近【那如果都不近呢，返回的应该是第一个gt的偏移】
bbox_inside_weights[labels==1] = cfg.TRAIN.RPN_BBOX_INSIDE_WEIGHTS[0]
#默认RPN_POSITIVE_WEIGHT=-1
if cfg.TRAIN.RPN_POSITIVE_WEIGHT < 0:
#num_examples = torch.sum(labels[i] >= 0)
# #样本权重归一化
num_examples = torch.sum(labels[i] >= 0).item()#正负的样本总数目
positive_weights = 1.0 / num_examples#正样本权重 1/总样本，感觉可以直接256上啊
negative_weights = 1.0 / num_examples
else:
assert ((cfg.TRAIN.RPN_POSITIVE_WEIGHT > 0) & (cfg.TRAIN.RPN_POSITIVE_WEIGHT < 1))
bbox_outside_weights[labels == 1] = positive_weights
bbox_outside_weights[labels == 0] = negative_weights
好处：
用256个anchor真值作为学习对象比用滑窗和RCNN中的2000个窗口，节省了太多空间和时间，这也是anchor的创新所在。
终：由此基于三种面积尺寸，三种边长比，可产生共3X3 = 9个anchor，故每个特征点有9个真实存在的anchor，到此9个真实的anchor和9个虚构anchor都已经产生，下面就是Loss计算，使得假想的anchor通过学习与anchor的真值更加接近，最好的结果是两者重合（不太可能），到此我们的RPN训练可以开始了。