RCNN

#RPN模块：
RPN设计的思想，主要有两点：
1.特征图的每个点，都对应于原图像的某块区域
2.在每个点，都使用了anchor，anchor的大小和形状是映射到原图上的。

##RPN的anchor设计：
RPN在最后一层的特征图上设计了9个anchor
映射到原图上，height，width比例分别为：
[sqrt(2) 1/sqrt(2)], [1 1], [1/sqrt(2) sqrt(2)]
每个anchor的尺寸为8,16,32

##细节：
1.正负样本的生成：
一幅图像的N个anchor，K个gt，计算overlap得到二维矩阵
a.对于每个anchor，找到overlap最大的gt
b.对于每个gt，找到overlap最大的anchor
如果a的max_overlap大于0.7，设为正样本，如果小于0.3，设为负样本，中间忽略
b中的anchor全部设为正样本
正样本需要计算坐标的loss

在训练的时候，同一个batch设置有效的label个数为256，正负样本1:1
每个batch一幅图像
测试的时候，根据anchor恢复出候选框，然后进行NMS，最后保留大约2000个proposal

#RCNN模块
1.首先，对RPN阶段提取出的2000个候选框，分别与gt计算overlap，大于0.5的设为正样本，并标注上对应的类别标签，小于0.5的设为负样本
2.训练的时候，每个batch2副图像，随机选择126个roi，正负样本比例1:3
3.特征图经过16倍下采样，roi大小也映射到特征图上，截取出对应区域，并pool成7*7的figure
4.bounding box的标签是，每个正样本的ROI相对于所属类gt的位移和宽高比例
5.计算softmax loss和bounding box loss