Faster RCNN Tensorflow代码感悟（小白的入门1）

@RPN的预测框到底是怎么得到的TOC

rpn_bbox_pred到底预测的是什么？

rpn_bbox_pred = slim.conv2d(rpn, self._num_anchors * 4, [1, 1], trainable=is_training, weights_initializer=initializer, padding=‘VALID’, activation_fn=None, scope=‘rpn_bbox_pred’)

误解：该卷积是生成9个Anchor坐标4个参数（x,y,w,h）

红色的框A代表原始的Foreground Anchors，绿色的框G代表目标的GT，我们的目标是寻找一种关系，使得输入原始的anchor A经过映射得到一个跟真实窗口G更接近的回归窗口G’
**个人理解：**实际是生成了输出就是每个Anchor的平移量tx，ty和变换尺度tw,ty。如何通过预测的偏移量得到RPN预测得到的实际坐标呢：

经过变化可得
RPN预测后的实际Box坐标是（x,y,w,h）;
则RPN网络预测后的坐标值:
$x=t_x\ast w_a+x_a$ ，$y=t_y\ast h_a+y_a$
$w=e^{t_w}\ast w_a$ , $h=e^{t_h}\ast h_a$

代码中的(dx,dy,dw,dh)就是对应公式中的（$t_x,t_y,t_w,t_h$）,而这个偏移量就是RPN用1*1卷积获得的

同理下面的是Anchor与GT Box的
$x^{\ast }=t_x^{\ast }\ast w_a+x_a$ , $y^{\ast }=t_y^{\ast }\ast h_a+y_a$
$w^{\ast }=e^{t_w^{\ast }}\ast w_a$ , $h^{\ast }=e^{t_h^{\ast }}\ast h_a$

loss的计算

小白一个，上述中如有错误，敬请指导