RPN 具体实现细节

谁践踏了优雅 2022-03-19 14:14 278阅读 0赞

在这里假设我们想生成100:100、300:300、500:500及1:1、1:2、2:1三种尺寸三种比例的图像，这里要注意100:100的1:2尺寸不是100:200，而是100/√2:100\*√2大约71:141，因为同一尺寸的三种比例变化后图像的面积要保存一致

假设以原点为矩阵中心点，生成的9个anchor如下（x1,y1,x2,y2）  
![在这里插入图片描述][20180401212044798]  
然后再把这9个anchor进行x,y方向的平移，convmap\_height,convmap\_width为最后特征图的大小，把特征图中的每一点映射回原图作为anchor的中心点，一个中心点形成9个anchor。代码如下，

for i in range(self.convmap_height):
                h = i * 16 + 8
                for j in range(self.convmap_width):
                    w = j * 16 + 8
                    for k in range(self.anchor_size):
                        index = i * self.convmap_width * self.anchor_size + j * self.anchor_size + k
                        anchor = anchors[k, :]
                        proposals[index, :] = anchor + np.array([w, h, w, h])

得到如下矩阵结果：  
![在这里插入图片描述][20180401212643657]  
边界点形成的anchor会超出原图界限，所以会有第一行和最后一行负数和大整数的存在。

我们把最中间形成的anchors画出来如下图：

![在这里插入图片描述][20180401213403871]

转自：[https://blog.csdn.net/u012033832/article/details/79781886][https_blog.csdn.net_u012033832_article_details_79781886]

[20180401212044798]: /images/20220319/c55f88689724407ebcdb7bdd6e17e9f4.png
[20180401212643657]: /images/20220319/da0a06bcbeeb468db7f28e10e5fc6009.png
[20180401213403871]: /images/20220319/75040ba586104f1bb1086775c48f55f0.png
[https_blog.csdn.net_u012033832_article_details_79781886]: https://blog.csdn.net/u012033832/article/details/79781886