锚点解释

锚点

暂时忽略“参考框金字塔”这个花哨的术语，anchors 只不过是要馈送到 Region Proposal Network 的固定大小的矩形。锚点是在最后一个卷积特征图上定义的，这意味着有$(H_{featuremap}*W_{featuremap})*(k)$其中，但它们对应于图像。对于每个锚点，RPN 会预测包含一般对象的概率和四个校正坐标，以将锚点移动并调整到正确位置。但是锚的几何形状与 RPN 有什么关系呢？

锚点实际上出现在损失函数中

在训练 RPN 时，首先为每个锚点分配一个二进制类标签。具有Intersection-over-Union ( IoU ) 的锚与真实框重叠，高于某个阈值，被分配一个正标签（同样，IoU 小于给定阈值的锚将被标记为负）。这些标签进一步用于计算损失函数：

$p$是RPN的分类头输出，它决定了anchor包含对象的概率。对于标记为 Negative 的锚点，回归不会产生任何损失——$p^*$，真实标签为零。换句话说，网络不关心负锚的输出坐标，只要它正确分类它们就很高兴。在正锚点的情况下，会考虑回归损失。$t$是 RPN 的回归头输出，表示预测边界框的 4 个参数化坐标的向量。参数化取决于锚的几何形状，如下所示：

在哪里$x, y, w,$h 表示盒子的中心坐标及其宽度和高度。变量$x, x_a,$和$x^*$分别用于预测框、锚框和真实框（同样适用于$y, w, h$）。

另请注意，没有标签的锚既不分类也不重塑，RPM 只是将它们排除在计算之外。一旦 RPN 的工作完成并生成了提案，其余部分与 Fast R-CNN 非常相似。

我昨天读了这篇论文，乍一看，我也很困惑。重读后得出这样的结论：

• 原始网络的最后一层（ZF 或 VGG-16）作为 Region Proposal Network 和 RoI pooling 的输入。在 VGG-16 的情况下，最后一个 conv 层是7x7x512 (HxWxD).
• 这个层被映射到一个 512 维的层和一个3x3conv 层。输出大小为7x7x512（如果使用填充）。
• 该层被映射到一个7x7x(2k+4k)（例如7x7x54）层1x1，每个k锚盒都有一个卷积层。

现在根据论文中的图 1，您可以拥有一个输入图像金字塔（具有不同比例的相同图像）、一个过滤器金字塔（不同比例的过滤器，在同一层中）或一个参考框金字塔。后者指k的是区域提议网络最后一层的锚框。不同尺寸的滤镜不是堆叠在一起（中间情况），而是不同尺寸和纵横比的滤镜堆叠在一起。

简而言之，对于每个锚点（HxW例如7x7），使用了一个参考框金字塔（k例如9）。