目标检测:SSD目标检测中PriorBox代码解读

这篇博客主要写prior_box_layer 
这一层完成的是给定一系列feature map后如何在上面生成prior box。SSD的做法很有意思，对于输入大小是W×H的feature map，生成的prior box中心就是W×H个，均匀分布在整张图上，像下图中演示的一样。在每个中心上，可以生成多个不同长宽比的prior box，如[1/3, 1/2, 1, 2, 3]。所以在一个feature map上可以生成的prior box总数是W×H×length_of_aspect_ratio，对于比较大的feature map，如VGG的conv4_3，生成的prior box可以达到数千个。当然对于边界上的box，还要做一些处理保证其不超出图片范围，这都是细节了。这里需要注意的是，虽然prior box的位置是在W×H的格子上，但prior box的大小并不是跟格子一样大，而是人工指定的，原论文中随着feature map从底层到高层，prior box的大小在0.2到0.9之间均匀变化。一开始看SSD的时候很困扰我的一点就是形状的匹配问题：SSD用卷积层做bbox的拟合，输出的不应该是feature map吗，怎么能正好输出4个坐标呢？这里的做法有点暴力，比如需要输出W×H×length_of_aspect_ratio×4个坐标，就直接用length_of_aspect_ratio×4个channel的卷积层做拟合，这样就得到length_of_aspect_ratio×4个大小为W×H的feature map，然后把feature map拉成一个长度为W×H×length_of_aspect_ratio×4的向量，用SmoothL1之类的loss去拟合，效果还意外地不错…… 
代码解读：#include <algorithm>
#include <functional>
#include <utility>
#include <vector>

#include "caffe/layers/prior_box_layer.hpp"

namespace caffe {

template <typename Dtype>
void PriorBoxLayer<Dtype>::LayerSetUp(const vector<Blob<Dtype>*>& bottom, // 参数解析
const vector<Blob<Dtype>*>& top) {
const PriorBoxParameter& prior_box_param =
this->layer_param_.prior_box_param();
CHECK_GT(prior_box_param.min_size_size(), 0) << "must provide min_size.";
for (int i = 0; i < prior_box_param.min_size_size(); ++i) { // min_size_size()=1
min_sizes_.push_back(prior_box_param.min_size(i));
CHECK_GT(min_sizes_.back(), 0) << "min_size must be positive.";
}
aspect_ratios_.clear();
aspect_ratios_.push_back(1.); // 加入1，在ProtoTXT只设置了2,3或者2
flip_ = prior_box_param.flip(); // 默认true
for (int i = 0; i < prior_box_param.aspect_ratio_size(); ++i) { // aspect_ratio_size=2
float ar = prior_box_param.aspect_ratio(i);
bool already_exist = false;
for (int j = 0; j < aspect_ratios_.size(); ++j) { // 这里判断是不是已近把ratio压入栈，保证每个ratios都只有一个1/ratios
if (fabs(ar - aspect_ratios_[j]) < 1e-6) { // 这里aspect_ratios_只有1一个值
already_exist = true;
break; // 跳出for循环
}
}
if (!already_exist) {
aspect_ratios_.push_back(ar);
if (flip_) { // 翻转，改变长宽比
aspect_ratios_.push_back(1./ar); // 得到1,2,3,1/2,1/3
}
} // 到这里，共有5个ratios，分别为1,2,1/2,3,1/3
}
num_priors_ = aspect_ratios_.size() * min_sizes_.size(); // min_sizes_.size()=1 5*1
if (prior_box_param.max_size_size() > 0) {
CHECK_EQ(prior_box_param.min_size_size(), prior_box_param.max_size_size()); // 最大和最小不能相等
for (int i = 0; i < prior_box_param.max_size_size(); ++i) { // max_size_size=1
max_sizes_.push_back(prior_box_param.max_size(i));
CHECK_GT(max_sizes_[i], min_sizes_[i])
<< "max_size must be greater than min_size.";
num_priors_ += 1; // num_priors_ = 6;这里很重要，不然就只有5个，和论文中的6个就不相符了
}
}
clip_ = prior_box_param.clip(); // true 默认false
if (prior_box_param.variance_size() > 1) { // variance_size = 4
// Must and only provide 4 variance.
CHECK_EQ(prior_box_param.variance_size(), 4); // 必须有4个variance
for (int i = 0; i < prior_box_param.variance_size(); ++i) { // variance:0.1 0.1 0.2 0.2
CHECK_GT(prior_box_param.variance(i), 0);
variance_.push_back(prior_box_param.variance(i));
}
} else if (prior_box_param.variance_size() == 1) { // 或者只设置一个，设为0.1
CHECK_GT(prior_box_param.variance(0), 0);
variance_.push_back(prior_box_param.variance(0));
} else {
// Set default to 0.1.
variance_.push_back(0.1);
}

if (prior_box_param.has_img_h() || prior_box_param.has_img_w()) { // 设置图片的长宽
CHECK(!prior_box_param.has_img_size())
<< "Either img_size or img_h/img_w should be specified; not both.";
img_h_ = prior_box_param.img_h();
CHECK_GT(img_h_, 0) << "img_h should be larger than 0.";
img_w_ = prior_box_param.img_w();
CHECK_GT(img_w_, 0) << "img_w should be larger than 0.";
} else if (prior_box_param.has_img_size()) {
const int img_size = prior_box_param.img_size();
CHECK_GT(img_size, 0) << "img_size should be larger than 0.";
img_h_ = img_size;
img_w_ = img_size;
} else {
img_h_ = 0;
img_w_ = 0;
}

if (prior_box_param.has_step_h() || prior_box_param.has_step_w()) { // step,tesp_h,step_w参数设置
CHECK(!prior_box_param.has_step())
<< "Either step or step_h/step_w should be specified; not both.";
step_h_ = prior_box_param.step_h();
CHECK_GT(step_h_, 0.) << "step_h should be larger than 0.";
step_w_ = prior_box_param.step_w();
CHECK_GT(step_w_, 0.) << "step_w should be larger than 0.";
} else if (prior_box_param.has_step()) {
const float step = prior_box_param.step();
CHECK_GT(step, 0) << "step should be larger than 0.";
step_h_ = step;
step_w_ = step;
} else {
step_h_ = 0;
step_w_ = 0;
}

offset_ = prior_box_param.offset(); // 偏移量，默认0.5
} // layersetup 结束

template <typename Dtype>
void PriorBoxLayer<Dtype>::Reshape(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
const int layer_width = bottom[0]->width(); // 输入feature map的大小
const int layer_height = bottom[0]->height();
vector<int> top_shape(3, 1);
// Since all images in a batch has same height and width, we only need to
// generate one set of priors which can be shared across all images.
top_shape[0] = 1;
// 2 channels. First channel stores the mean of each prior coordinate.
// Second channel stores the variance of each prior coordinate.
top_shape[1] = 2;
top_shape[2] = layer_width * layer_height * num_priors_ * 4;
// 输出坐标，就是需要这么多个map，类似faster rcnn，注意：这里，如果没有在ptototxt中没有设置max_size，num_priors_的值就要减1
CHECK_GT(top_shape[2], 0);
top[0]->Reshape(top_shape);
// 在mbox_priorbox层中，concat是选的axis: 2，就是说是concat的map数。
}

template <typename Dtype>
void PriorBoxLayer<Dtype>::Forward_cpu(const vector<Blob<Dtype>*>& bottom,
const vector<Blob<Dtype>*>& top) {
const int layer_width = bottom[0]->width(); // 上一层feature map
const int layer_height = bottom[0]->height();
int img_width, img_height;
if (img_h_ == 0 || img_w_ == 0) {
img_width = bottom[1]->width(); // data layer出来的结果，原始图
img_height = bottom[1]->height();
} else {
img_width = img_w_; // 对图进行缩放，可以设置参数
img_height = img_h_;
}
float step_w, step_h;
if (step_w_ == 0 || step_h_ == 0) { // 得到缩放比例，相当于faster的feat_stride，这里处理的稍好些，长宽都有相应参数
step_w = static_cast<float>(img_width) / layer_width; // 这里都用的float，不像faster直接暴力int型
step_h = static_cast<float>(img_height) / layer_height;
} else {
step_w = step_w_;
step_h = step_h_;
}
Dtype* top_data = top[0]->mutable_cpu_data();
int dim = layer_height * layer_width * num_priors_ * 4; // 一般情况下w*h*6*4，conv4_3除外，详细参考笔记上的框架图
int idx = 0;
for (int h = 0; h < layer_height; ++h) { // 对于feature map上的每个点逐一映射
for (int w = 0; w < layer_width; ++w) {
// 这里和Faster RCNN 一样，就是把feature map上的点映射回原图,这里加上0.5也是为了四舍五入，和faster rcnn python代码类似
float center_x = (w + offset_) * step_w;
float center_y = (h + offset_) * step_h;
float box_width, box_height;
for (int s = 0; s < min_sizes_.size(); ++s) { // min_sizes_.size()=1
int min_size_ = min_sizes_[s];
// 这里的min_size从fc7_mbox_priorbox的60到最后的276，就是s_k从0.2到0.92的过程
// first prior: aspect_ratio = 1, size = min_size
box_width = box_height = min_size_;
// xmin
top_data[idx++] = (center_x - box_width / 2.) / img_width; //
// ymin
top_data[idx++] = (center_y - box_height / 2.) / img_height;
// xmax
top_data[idx++] = (center_x + box_width / 2.) / img_width;
// ymax
top_data[idx++] = (center_y + box_height / 2.) / img_height;

if (max_sizes_.size() > 0) {
CHECK_EQ(min_sizes_.size(), max_sizes_.size());
int max_size_ = max_sizes_[s];
// second prior: aspect_ratio = 1, size = sqrt(min_size * max_size) // 这里就和论文中一致，s_k的选法，每个都不同
box_width = box_height = sqrt(min_size_ * max_size_);
// xmin
top_data[idx++] = (center_x - box_width / 2.) / img_width;
// ymin
top_data[idx++] = (center_y - box_height / 2.) / img_height;
// xmax
top_data[idx++] = (center_x + box_width / 2.) / img_width;
// ymax
top_data[idx++] = (center_y + box_height / 2.) / img_height;
}

// rest of priors
for (int r = 0; r < aspect_ratios_.size(); ++r) { // 其他几个比例计算
float ar = aspect_ratios_[r];
if (fabs(ar - 1.) < 1e-6) {
continue;
}
box_width = min_size_ * sqrt(ar);
box_height = min_size_ / sqrt(ar);
// xmin
top_data[idx++] = (center_x - box_width / 2.) / img_width;
// ymin
top_data[idx++] = (center_y - box_height / 2.) / img_height;
// xmax
top_data[idx++] = (center_x + box_width / 2.) / img_width;
// ymax
top_data[idx++] = (center_y + box_height / 2.) / img_height;
}
} // end for min_size=1
} // end for w
} // end for h
// 到这里，所有的prior_box选取完成，共6个比例，和论文中相符合，同时在每一层中算一个s_k,就是每一层都会设置一个min_size
// clip the prior's coordidate such that it is within [0, 1]
if (clip_) { // 裁剪到[0,1]
for (int d = 0; d < dim; ++d) {
top_data[d] = std::min<Dtype>(std::max<Dtype>(top_data[d], 0.), 1.);
}
}
// set the variance.
// 解答： https://github.com/weiliu89/caffe/issues/75 // 除以variance是对预测box和真实box的误差进行放大，从而增加loss，增大梯度，加快收敛。
// 另外，top_data += top[0]->offset(0, 1);已经使指针指向新的地址，所以variance不会覆盖前面的结果。
// offse一般都是4个参数的offset(n,c,w,h),设置相应的参数就可以指到下一张图（以四位张量为例）
top_data += top[0]->offset(0, 1); // 这里我猜是指向了下一个chanel
if (variance_.size() == 1) {
caffe_set<Dtype>(dim, Dtype(variance_[0]), top_data);// 用常数variance_[0]对top_data进行初始化
} else {
int count = 0;
for (int h = 0; h < layer_height; ++h) {
for (int w = 0; w < layer_width; ++w) {
for (int i = 0; i < num_priors_; ++i) {
for (int j = 0; j < 4; ++j) {
top_data[count] = variance_[j];
++count;
}
}
}
}
}
}

INSTANTIATE_CLASS(PriorBoxLayer);
REGISTER_LAYER_CLASS(PriorBox);

} // namespace caffe