Faster-RCNN中Anchor錨框生成

Anchor是Faster RCNN中的一個重要的概念,在對圖像中的物體進行分類檢測之前,先要生成一系列候選的檢測框,以便於神經網絡進行分類和識別。

Faster-RCNN中Anchor錨框生成

圖1-Faster RCNN中的錨框

一、什麼是Anchor

論文中的描述如下:

An anchor is centered at the sliding window in question, and is associated with a scale and aspect ratio.

如圖1所示,Anchor是以待檢測位置為中心,以指定的大小和高寬比構成一組錨框。

假設Feature Map的寬度為W,寬度為H,在每個待檢測的位置生成的錨框數目為K,根據滑動窗口的方法,生成總的錨框的數量是W * H * K。

二、Anchor的生成

在論文中,每個錨點有3種面積

Faster-RCNN中Anchor錨框生成

和3種長寬比

Faster-RCNN中Anchor錨框生成

,它們相互組合,每個Anchor生成9個錨框。

三、Anchor的代碼實現

1.輔助函數

根據錨框得到其中心點(x_ctr,y_ctr)、寬度w、高度h。

def _whctrs(anchor):

"""

Return width, height, x center, and y center for an anchor (window).

"""

w = anchor[2] - anchor[0] + 1

h = anchor[3] - anchor[1] + 1

x_ctr = anchor[0] + 0.5 * (w - 1)

y_ctr = anchor[1] + 0.5 * (h - 1)

return w, h, x_ctr, y_ctr

根據寬度w、高度h、中心點(x_ctr,y_ctr)生成錨框。

def _mkanchors(ws, hs, x_ctr, y_ctr):

"""

Given a vector of widths (ws) and heights (hs) around a center

(x_ctr, y_ctr), output a set of anchors (windows).

"""

ws = ws[:, np.newaxis]

hs = hs[:, np.newaxis]

anchors = np.hstack((x_ctr - 0.5 * (ws - 1),

y_ctr - 0.5 * (hs - 1),

x_ctr + 0.5 * (ws - 1),

y_ctr + 0.5 * (hs - 1)))

return anchors

2.生成不同寬高比的錨框

def _ratio_enum(anchor, ratios):

"""

Enumerate a set of anchors for each aspect ratio wrt an anchor.

"""

w, h, x_ctr, y_ctr = _whctrs(anchor)

size = w * h

size_ratios = size / ratios

ws = np.round(np.sqrt(size_ratios))

hs = np.round(ws * ratios)

anchors = _mkanchors(ws, hs, x_ctr, y_ctr)

return anchors

對於同一個Anchor,不同的寬高比(Ratio)的面積是基本相同的;

記Anchor的面積為:area=16*16,寬高比:ratio=w/h,根據面積不變:

Faster-RCNN中Anchor錨框生成
Faster-RCNN中Anchor錨框生成
Faster-RCNN中Anchor錨框生成

這也是上述代碼的實現邏輯,代碼中在根據ratio計算完w和h之後,進行了取整操作。

在實際生成Anchors時,先定義一個大小為16 * 16的Base Anchor。

函數輸入:

Faster-RCNN中Anchor錨框生成

函數輸出:

Faster-RCNN中Anchor錨框生成

3.生成不同比例的錨框

def _scale_enum(anchor, scales):

"""

Enumerate a set of anchors for each scale wrt an anchor.

"""

w, h, x_ctr, y_ctr = _whctrs(anchor)

ws = w * scales

hs = h * scales

anchors = _mkanchors(ws, hs, x_ctr, y_ctr)

return anchors

函數輸入:

anchor=[-3.5, 2.0, 18.5, 13.0],scales=[8.0, 16.0, 24.0]

函數輸出:

[[ -84.0, -40.0, 99.0, 55.0],

[-176.0, -88.0, 191.0, 103.0],

[-360.0, -184.0, 375.0 199.]]

4.錨框生成入口函數

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.

"""

base_anchor = np.array([1, 1, base_size, base_size]) - 1

ratio_anchors = _ratio_enum(base_anchor, ratios)

anchors = np.vstack([_scale_enum(ratio_anchors[i, :], scales)

for i in range(ratio_anchors.shape[0])])

return anchors

以上代碼生成9個錨框:

[[ -84. -40. 99. 55.]

[-176. -88. 191. 103.]

[-360. -184. 375. 199.]

[ -56. -56. 71. 71.]

[-120. -120. 135. 135.]

[-248. -248. 263. 263.]

[ -36. -80. 51. 95.]

[ -80. -168. 95. 183.]

[-168. -344. 183. 359.]]

四、錨框的效果

Faster-RCNN中Anchor錨框生成

anchor效果


分享到:


相關文章: