『计算机视觉』Mask-RCNN_推断网络其一：总览

在我们学习的这个项目中，模型主要分为两种状态，即进行推断用的inference模式和进行训练用的training模式。所谓推断模式就是已经训练好的的模型，我们传入一张图片，网络将其分析结果计算出来的模式。

本节我们从demo.ipynb入手，一窥已经训练好的Mask-RCNN模型如何根据一张输入图片进行推断，得到相关信息，即inference模式的工作原理。

一、调用推断网络

网络配置

首先进行配置设定，设定项都被集成进class config中了，自建新的设定只要基础改class并更新属性即可，在demo中我们直接使用COCO的预训练模型所以使用其设置即可，但由于我们想检测单张图片，所以需要更新几个相关数目设定：

# 父类继承了Config类，目的就是记录配置，并在其基础上添加了几个新的属性
class InferenceConfig(coco.CocoConfig):
    # Set batch size to 1 since we'll be running inference on
    # one image at a time. Batch size = GPU_COUNT * IMAGES_PER_GPU
    GPU_COUNT = 1
    IMAGES_PER_GPU = 1

config = InferenceConfig()
config.display()

 打印出配置如下：

Configurations:
BACKBONE                       resnet101
BACKBONE_STRIDES               [4, 8, 16, 32, 64]
BATCH_SIZE                     1
BBOX_STD_DEV                   [ 0.1  0.1  0.2  0.2]
COMPUTE_BACKBONE_SHAPE         None
DETECTION_MAX_INSTANCES        100
DETECTION_MIN_CONFIDENCE       0.7
DETECTION_NMS_THRESHOLD        0.3
FPN_CLASSIF_FC_LAYERS_SIZE     1024
GPU_COUNT                      1
GRADIENT_CLIP_NORM             5.0
IMAGES_PER_GPU                 1
IMAGE_CHANNEL_COUNT            3
IMAGE_MAX_DIM                  1024
IMAGE_META_SIZE                93
IMAGE_MIN_DIM                  800
IMAGE_MIN_SCALE                0
IMAGE_RESIZE_MODE              square
IMAGE_SHAPE                    [1024 1024    3]
LEARNING_MOMENTUM              0.9
LEARNING_RATE                  0.001
LOSS_WEIGHTS                   {'rpn_class_loss': 1.0, 'rpn_bbox_loss': 1.0, 'mrcnn_class_loss': 1.0, 'mrcnn_bbox_loss': 1.0, 'mrcnn_mask_loss': 1.0}
MASK_POOL_SIZE                 14
MASK_SHAPE                     [28, 28]
MAX_GT_INSTANCES               100
MEAN_PIXEL                     [ 123.7  116.8  103.9]
MINI_MASK_SHAPE                (56, 56)
NAME                           coco
NUM_CLASSES                    81
POOL_SIZE                      7
POST_NMS_ROIS_INFERENCE        1000
POST_NMS_ROIS_TRAINING         2000
PRE_NMS_LIMIT                  6000
ROI_POSITIVE_RATIO             0.33
RPN_ANCHOR_RATIOS              [0.5, 1, 2]
RPN_ANCHOR_SCALES              (32, 64, 128, 256, 512)
RPN_ANCHOR_STRIDE              1
RPN_BBOX_STD_DEV               [ 0.1  0.1  0.2  0.2]
RPN_NMS_THRESHOLD              0.7
RPN_TRAIN_ANCHORS_PER_IMAGE    256
STEPS_PER_EPOCH                1000
TOP_DOWN_PYRAMID_SIZE          256
TRAIN_BN                       False
TRAIN_ROIS_PER_IMAGE           200
USE_MINI_MASK                  True
USE_RPN_ROIS                   True
VALIDATION_STEPS               50
WEIGHT_DECAY                   0.0001

模型初始化

首先初始化模型，然后载入预训练参数文件，在末尾我可视化了模型，不过真的太长了，所以注释掉了。在第一步初始化时就会根据mode参数的具体值建立计算图，本节介绍的推断网络就是在mode参数设定为"inference"时建立的计算网络。

# Create model object in inference mode.
model = modellib.MaskRCNN(mode="inference", model_dir=MODEL_DIR, config=config)

# Load weights trained on MS-COCO
model.load_weights(COCO_MODEL_PATH, by_name=True) 


# model.keras_model.summary()

 检测图片

# Load a random image from the images folder
file_names = next(os.walk(IMAGE_DIR))[2]  # 只要是迭代器调用next方法获取值，学习了
image = skimage.io.imread(os.path.join(IMAGE_DIR, random.choice(file_names)))
print(image.shape)
# Run detection
results = model.detect([image], verbose=1)

# Visualize results
r = results[0]
visualize.display_instances(image, r['rois'], r['masks'], r['class_ids'], 
                            class_names, r['scores'])

 读取一张图片，调用model的detect方法，即可输出结果，最后使用辅助方法可视化结果：

二、推断逻辑概览

inference的前向逻辑如下图所示，我们简单的看一下其计算流程是怎样的，

1.  左上模块为以ResNet101为基础的FPN特征金字塔网络的特征提取逻辑，可以看到，作者并没有直接将up-down特征使用，而是又做了一次3*3卷积进行了进一步的特征融合。
2. 出来的各层FPN特征首先（各自独立地）进入了RPN处理层：根据锚框数目信息确定候选区域的分类（前景背景2分类）和回归结果。

   rpn_class：[batch, num_rois, 2]
   rpn_bbox：[batch, num_rois, (dy, dx, log(dh), log(dw))]

3. 有了众多的候选区域，我们将之送入Proposal筛选部分，首先根据前景得分排序进行初筛（配置会指定这一步保留多少候选框），然后为非极大值抑制做准备：用RPN的回归结果修正anchors，值得注意的是anchors都是归一化的这意味着修值之后还需要做检查以防越界，最后非极大值一致，删减的太多了的话就补上[0, 0, 0, 0]达到配置文件要求的数目(非极大值部分会造成同一个batch中不同图片的候选框数目不一致，但是tensor的维数不能参差不齐，所以要补零使得各张图片候选区域数目一致)

   rpn_rois：[IMAGES_PER_GPU, num_rois, (y1, x1, y2, x2)]

4. 根据候选区的实际大小（归一化候选区需要映射回原图大小）为候选区选择合适的RPN特征层，ROI Align处理（实际上就是抠出来进行双线性插值到指定大小），得到我们需要的众多等大子图
5. 对这些子图各自独立的进行分类/回归

   mrcnn_class_logits: [batch, num_rois, NUM_CLASSES] classifier logits (before softmax)
   mrcnn_class: [batch, num_rois, NUM_CLASSES] classifier probabilities
   mrcnn_bbox(deltas): [batch, num_rois, NUM_CLASSES, (dy, dx, log(dh), log(dw))]

6. 在分类回归之后使用回归结果对候选框进行修正，然后重新进行FPN特征层选择和ROI Align特征提取，最后送入Mask网络，进行Mask生成。

 最后，我们希望网络输出下面的张量：

# num_anchors,    每张图片上生成的锚框数量
# num_rois,       每张图片上由锚框筛选出的推荐区数量，
# #               由 POST_NMS_ROIS_TRAINING 或 POST_NMS_ROIS_INFERENCE 规定
# num_detections, 每张图片上最终检测输出框，
# #               由 DETECTION_MAX_INSTANCES 规定

# detections,     [batch, num_detections, (y1, x1, y2, x2, class_id, score)]
# mrcnn_class,    [batch, num_rois, NUM_CLASSES] classifier probabilities
# mrcnn_bbox,     [batch, num_rois, NUM_CLASSES, (dy, dx, log(dh), log(dw))]
# mrcnn_mask,     [batch, num_detections, MASK_POOL_SIZE, MASK_POOL_SIZE, NUM_CLASSES]
# rpn_rois,       [batch, num_rois, (y1, x1, y2, x2, class_id, score)]
# rpn_class,      [batch, num_anchors, 2]
# rpn_bbox        [batch, num_anchors, 4]

具体每种张量的意义我们会在源码分析中一一介绍。