RPN网络解读

大家好，又见面了，我是你们的朋友全栈君。

RPN网络源码解读

在高层的feature map初次计算anchor box点数值 60x40x9。9代表一个特征维度生成9个anchor box， 但特征层w，h为啥是60,40不应该是相等的？毕竟backbone网络一系列操作，w，h同时缩小的？解读源码之后才明白，原来图像预处理并不是对原图像简单的resize操作，因为这样的话迫使原图变形了，源码上给出的处理是：一个batch中最大原图的W作为该batch的W；一个batch中最大原图的H作为该batch的H，遍历整个batch进行0填充，使batch内的原图都一样大。那么问题来了，每个batch的W,H都不一样了啊，对，就是不一样，以至于经过backbone后feature map的w，h都不一样，生成的anchor也都不一样多，但是batch内的一定是一样的。

step1：原始生成大约20000boxs，再进行2k排序（每个boxs得分为目标或背景的概率，不管是背景还是目标都要得分高的）设定阈值为12000，也就是说最多保留12000，也有的源码设定2000。

step2：score排序完保留12000个，再进行NMS非极大抑制，这里的非极大抑制要设定阈值，注意下面的话是关键：先选出score打分最高的，根据这个得分框剔除重合度高的，何为重合度高？就是IOU值大的。其实我们知道得分就够了，并不需要知道它是背景还是目标（我之前的解读就是错误的，我以为是利用GT的IOU值，你想想如果利用GT的话，剔除的更多的岂不是正样本？负样本怎么剔除，负样本本来就与GT的IOU重合度低）这样的话就保留2000个boxs，这2000个就是属于那种最可能是目标或者最可能是背景的框了。
step3：上面生成的anchor boxs（2000个）是用来训练fastrcnn网络？不，在源码中还是进行了进一步的筛选（进一步筛选就是计算与GTBOX的IOU值，这一条件作为判断，IOU值大的自然就保留下来，很遗憾一开始的RPN网络选出大多数都是背景，难道就让fastrcnn计算一堆背景么，实际处理有个技巧，就是把GT加进出充当正样本），最终一张图片剩余的是512个proposal，然后将这512个boxs映射到feature map上，然后进行ROI pooling操作，输入全连接层+交叉熵损失层或者smooth损失函数进行各个目标和背景的分类，并同时进行框的回归参数修正，损失目标函数是一个联合损失，有目标的要回归，背景就不必计算回归损失了，没必要，也没有GTBOXS作为参考。
总结：以上所述操作就是RPN网络筛选proposal用于训练fastrcnn网络的内容（ps：这绝不是用于训练RPN网络的anchorboxs框），你觉得RPN网络的sore得分选出来的框再来训练自己还有意思么，这就好比，我自己出题给自己做，然后再打分，这也违背了监督式学习
下面再写RPN网络的训练过程，以及RPN训练的监督框是怎么来的。