前言
本来想着学习一下目标检测领域如何充分利用样本信息的（目标检测不仅仅需要图片的类别，还需要用到某个物理的具体位置。换言之，就是不仅仅要知道物体是什么？还需要知道物体在哪里？），结果一个faster - rcnn就把我难倒了。因为我主要是不明白这几个问题：
- 模型是如何利用位置信息的？
- 模型想要学习出来一个什么呢？学习后的模型相比学习前的模型有什么好处呢？（毕竟anchor是遍历生成的，无论是在训练还是在推理阶段，anchor都是一样的）
- 这个算法是进行了一种智能的模板匹配吗？是否有某个步骤
- rpn算法在训练阶段是不变的，能够对于任意位置的目标进行检测吗？
2 网络结构
2.1 rpn 网络
目标检测网络按照直觉上应该分为两个部分：找到目标，识别目标。由此就有了rpn网络。rpn网络的目的就是找到目标（找到感兴趣的区域/找到目标区域）。那么rpn网络究竟是如运行的呢？2.1 为什么训练之前其无法找到目标区域呢？2.2 它是如何知道应该找几个区域的呢（有几个目标）？
- 生成锚点（人话：生成许多个框，以后就看那几个框，离得近了）
首先，rpn 网络线生成许多框。别管太多，反正就是平均布满全部图 - 生成rpn 的重要参数 rpn_locs（人话：对框进行微调）
因为这些框不一定能够恰好框下物体（可能只框了一半），所以我们对于每个框生成一个微调参数rpn_locs，这个参数的维度是：锚点数*4（或者说“框的数量”*4）。这个参数我们在训练阶段一共会用到两次：第一次是用它来对我们的框（锚点）进行微调，使得框逼近目标，第二次是在损失函数中，毕竟我们需要更新这个参数。（如何更新，还需要分析的。下面记得写）
不过这里似乎有一些问题，在测试阶段，如果我们生成2w个备选框（框对于所有输入都是不变的），然后使用 rpn_locs 参数对于框进行一对一的微调，就得到了微调后的 ’框2 ‘，但是这2w个框2也是固定的，但是物体的位置是可微的，有无限个。所以可能出现你框不住的情况
那么rpn网络具体如何操作呢？
a. 输出参数 rpn_locs （人话：得到每个框的微调参数，这个参数我们总共会用两次）
- 对rpn网络的输入特征图进行某种卷积操作，别管是什么卷积，反正保证输出rpn_locs是（w，h，9,4）维度的特征图就好。这里的（w，h，9,4）就是前面说的
rpn_locs（锚点数量*4）。
b. 输出参数 rpn_scores (就是每个框的输出)，这个参数的我们也会用到两次：输出 rpn_fg_scores; 计算损失函数
- 这个 rpn_scores的意义是：每个框的正负样本概率（或者说：每张特征图上所有锚点的输出值）。由于我此时的特征图是62 *19的图，所以rpn_scores的维度为（1,18,62,19），9是锚点数，乘二表示我们需要正负概率（所以代码上还需要一个对于第2个维度的softmax）。
- 然后依据它得到每个框是正样本的概率：rpn_fg_scores，它的维数就是锚点（也就是框）的数量。
- 那么这个 rpn_scores 是怎么计算的呢？其实模型中就是把神经网络的输出设置成了这个维度（1,18,62,19）的张量，然后说，这个张量就是每个框的正负样本概率，也没说为什么可以这样做。
c. ProposalCreator 模块（依据微调参数 rpn_locs 、是否包含物体概率：rpn_fg_scores、框的位置（定值），锁定目标框：roi）
- 第一步：得到感兴趣区域。依据框的位置和微调参数 rpn_locs，很容易确定感兴趣区域roi_1（人话：锁定目标）。
- 第二步：防止roi_1发生越界、过小等情况。（此时会删去一些roi）
- 第三步：依据是否包含物体概率：rpn_fg_scores参数，选前几名roi（大概前200名）
至此，rpn 模型落下了帷幕，输出：rpn_locs （用于loss），rpn_score(用于loss)，roi（用于下一个对比模型），
2.2 proposal_target_creator 网络（人话：利用数据样本）
做了这么久我们还没有使用任何数据标签！这里开始用了。为什么不一开始就使用label数据呢？因为label数据（已知目标框，ground truth）“小”，data（img）数据“大”。那就免不了将小数据放在大数据上比较，这就是传统模板匹配的方法。当我们将原图–> 锚点框–> 微调、筛选、修正后、大概率有物体的框，使得图片变小。
proposal_target_creator 网络，一句话描述：Assign ground truth bounding boxes to given RoIs
输入：
- rpn 送来的 roi（感兴趣区域）
- 标签
- 物体标签框
输出：
- 结果1：sample_roi (从 输入的 roi 中提取几个与label重合高的区域)
- 结果2：gt_roi_loc （计算sample_roi 与目标框之间的距离/微调参数，用来计算loss。这里的gt_roi_loc 将和上面的roi_loc进行损失函数的计算）
a. 计算对每个roi，与box标签做比较，得出每个 roi 的 iou 指标的维度：（roi数量*标签数量）。这意味着每个框与目标框的相似度。
b. 对于每个框分配一个 Groudtruth。
c. 按照roi 的 iou 指标的大小，对 2000个roi进行删选选出大概200个正样本（意味着这些框与标签框的重合度较大），200个负样本（框的都是背景）作为结果1。