faster-RCNN理解
faster-RCNN由两个子网络构成。
- 第一个子网络RPN的作用是在给定图像上提取一定数量带有objectness(是否包含目标的置信度)。
- 第二个子网络直接利用fast-rcnn中的特征提取网络，用RPN获得的proposal替代fast-RCNN中selective search获取的proposal。
4k cordinates：每个窗口的坐标。这个坐标并不是anchor的绝对坐标，而是通过anchor回归groundtruth的位置所需要的偏差。
RPN网络的作用是输入一张图像，输出一批矩形候选区域，类似于以往目标检测中的Selective Search一步。网络结构是基于卷积神经网络，但输出包含二类softmax和bbox回归的多任务模型。网络结果如下（以ZF网络为参考模型）：
其中，虚线以上是ZF网络最后一层卷积层前的结构，虚线以下是RPN网络特有的结构。首先是3*3的卷积，然后通过1*1卷积输出分为两路，其中一路输出是目标和非目标的概率，另一路输出box相关的四个参数，包括box的中心坐标x和y，box宽w和长h。
从卷积运算本身而言，卷积相当于滑窗。假如输入图像是1000*600，则经过了几次stride后，map大小缩小了16倍，最后一层卷积层输出大约为60*40大小。因此，在对60*40的map进行滑窗时，以中心像素为基点构造9种anchor映射到原来的1000*600图像中，映射比例为16倍。那么总共可以得到60*40*9大约2万个anchor。
假如某anchor与任一目标区域的IoU>0.7，则判定为有目标。
RPN网络得到的大约2万个anchor不是都直接给Fast-RCNN，因为有很多重叠的框。文章通过非极大值抑制的方法，设定IoU为0.7的阈值，即仅保留覆盖率不超过0.7的局部最大分数的box（粗筛）。最后留下大约2000个anchor，然后再取前N个box（比如300个）给Fast-RCNN。Fast-RCNN将输出300个判定类别及其box，对类别分数采用阈值为0.3的非极大值抑制（精筛），并仅取分数大于某个分数的目标结果（比如，只取分数60分以上的结果）。
窗口分类和位置精修
- 分类层（cls_score）输出每一个位置上，9个anchor属于前景和背景的概率。
- 窗口回归层（bbox_pred）输出每一个位置上，9个anchor对应窗口应该平移缩放的参数（x,y,w,h）。
对于每一个位置来说，分类层从256维特征中输出属于前景和背景的概率；窗口回归层从256维特征中输出4个平移缩放参数。
在图5中，要注意，3*3卷积核的中心点对应原图（re-scale，源代码设置re-scale为600*1000）上的位置（点），将该点作为anchor的中心点，在原图中框出多尺度、多种长宽比的anchors。所以，anchor不在conv特征图上，而在原图上。对于一个大小为H*W的特征层，它上面每一个像素点对应9个anchor, 这里有一个重要的参数feat_stride = 16， 它表示特征层上移动一个点，对应原图移动16个像素点(看一看网络中的stride就明白16的来历了)。把这9个anchor的坐标进行平移操作，获得在原图上的坐标。之后根据ground truth label和这些anchor之间的关系生成rpn_labels。
9*4的矩阵值是如何产生的？，可参考如下网址：
http://blog.csdn.net/xzzppp/article/details/52317863
基尺寸为16*16，以（7.5,7.5）为圆心，分别以（128,256,512）1:1,1:2,2:1 ，9个尺寸标坐标。
根据以下代码先求出256等面积下2:1， 1:1 ，1:2的宽和高 （23*12,16*16,11*22）
根据以下公式，获得左上角和右下角的坐标，分别乘以8,16,32
举个例子：若是想得到2:1的128*128的四个坐标值，则：
x1= 7.5 – 0.5 *(23*8-1) = -84
y1= 7.5 – 0.5 *(12*8-1) = -40
x2= 7.5 + 0.5 *(23*8-1) = 99y2= 7.5+ 0.5 *(12*8-1) = 55
解读loss_bbox层
http://blog.csdn.net/wfei101/article/details/77778462
loss_bbox评估检测框定位的损失函数，如下图所示：
VGG16中，13个卷积层的最后一层和RPN提取的区域都输入到RCNN中进行检测，如下图所示：
