最近在跑py-faster-rcnn的代码，终于大概弄懂了结构
caffe的可视化网页为指路
前期得到feature maps的方法结构主要有ZF和VGG16两种，ZF结构较小，VGG16较大，精度差不多，所以选择占显存小的ZF。两者的区别是conv层不同。
faster rcnn由三部分构成：特征提取+RPN+ROI Pooling+Classifier
本文以ZF为特征提取网络讲解。
参考：链接
1)、Conv layers提取特征图：
作为一种CNN网络目标检测方法，Faster RCNN首先使用一组基础的conv+relu+pooling层提取input image的feature maps,该feature maps会用于后续的RPN层和全连接层
2)、RPN(Region Proposal Networks):
RPN网络主要用于生成region proposals，首先生成一堆Anchor box，对其进行裁剪过滤后通过softmax判断anchors属于前景(foreground)或者后景(background)，即是物体or不是物体，所以这是一个二分类；同时，另一分支bounding box regression修正anchor box，形成较精确的proposal（注：这里的较精确是相对于后面全连接层的再一次box regression而言）
3)、Roi Pooling：
该层利用RPN生成的proposals和VGG16最后一层得到的feature map，得到固定大小的proposal feature map,进入到后面可利用全连接操作来进行目标识别和定位
4)、Classifier：
会将Roi Pooling层形成固定大小的feature map进行全连接操作，利用Softmax进行具体类别的分类，同时，利用L1 Loss完成bounding box regression回归操作获得物体的精确位置.
rpn网络：
用来生成检测框
参考：https://zhuanlan.zhihu.com/p/31426458
参考：https://www.cnblogs.com/houkai/p/6824455.html
- rpn_conv/3*3
将卷积得到的feature maps做3*3的卷积
2. rpn_cls_score_reshape
是一个reshape，caffe中的blob结构为[batch_size,channel,height,width]，为了二分类，存储形式为[batch_size,2,9*height,width]
3.rpn_cls_prob
是softmax，用来分类fg和bg
4. rpn_cls_prob_reshape
是一个reshape， 这个reshape为了保存anchors，在feature maps上的每个点有9个anchors，且每个分为fg和bg，所以为了保存fg、bg的anchors，它的储存形式为[batch_size,2*9,height,width]
5.rpn_bbox_pred
是一个1*1卷积，输出维度为36，它的存储形式为[1,4*9,h,w]，9个anchors，每个有4个算出来的变量，对应bounding box和gt的回归。
6.proposal
综合所有的4个变换量和fg anchors，按照im_info的信息，将图像大小映射到原图大学，计算出proposals送给ROI。
- 再次生成anchors，并对所有的anchors做bbox reg位置回归（注意这里的anchors生成顺序和之前是即完全一致的）
- 按照输入的foreground softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)个anchors。即提取修正位置后的foreground anchors
- 利用feat_stride和im_info将anchors映射回原图，判断fg anchors是否大范围超过边界，剔除严重超出边界fg anchors。
- 进行nms（nonmaximum suppression，非极大值抑制）
- 再次按照nms后的foreground softmax scores由大到小排序fg anchors，提取前post_nms_topN(e.g. 300)结果作为proposal输出。
补充：
1.权值共享：
权值共享就是同一个Feature Map中神经元权值共享，该Feature Map中的所有神经元使用同一组权值
参考：https://blog.csdn.net/denghecsdn/article/details/77848246
2.pooling层作用
对输入的特征图进行压缩。
- 使特征图变小，简化网络计算复杂度
- 进行特征压缩，提取主要特征
pooling操作使特征图变小，可能影响网络准确度，因此可以通过增加特征图的深度来弥补
3.卷积层作用
用来提取特征。使用多层次的卷积可以得到更深层次的特征。在CNN中比较重要的是权值共享，每个filter上的每个channel是共享的
4.LRN层作用
局部响应归一化层。一般是在激活后进行的一种操作。
LRN仿造生物学上活跃的神经元对相邻神经元的抑制现象（侧抑制）
好处有以下两点：
- 归一化有助于快速收敛
- 对局部神经元的活动创建竞争机制，是的其中响应比较大的值变得更大，并抑制相对响应较小的神经元，增强了模型泛化能力
5.filter
是感受野
6.feature map计算方法：
在CNN网络中roi从原图映射到feature map中的计算方法：
INPUT为32*32，filter的大小即kernel size为5*5，stride = 1，pading=0,卷积后得到的feature maps边长的计算公式是：
output_h =（originalSize_h+padding*2-kernelSize_h）/stride +1
所以，卷积层的feature map的变长为：conv1_h=（32-5）/1 + 1 = 28
卷积层的feature maps尺寸为28*28.
由于同一feature map共享权值，所以总共有6*（5*5+1）=156个参数。
卷积层之后是pooling层，也叫下采样层或子采样层（subsampling）。它是利用图像局部相关性的原理，对图像进行子抽样，这样在保留有用信息的同时可以减少数据处理量。pooling层不会减少feature maps的数量，只会缩减其尺寸。常用的pooling方法有两种，一种是取最大值，一种是取平均值。
pooling过程是非重叠的，S2中的每个点对应C1中2*2的区域（也叫感受野），也就是说kernelSize=2，stride=2，所以pool1_h = (onv1_h - kernelSize_h)/stride +1 = (28-2)/2+1=14。pooling后的feature map尺寸为14*14.
fast rcnn以及faster rcnn做检测任务的时候，涉及到从图像的roi区域到feature map中roi的映射，然后再进行roi_pooling之类的操作。
比如图像的大小是（600,800），在经过一系列的卷积以及pooling操作之后在某一个层中得到的feature map大小是（38,50），那么在原图中roi是（30,40,200,400），
在feature map中对应的roi区域应该是
roi_start_w = round(30 * spatial_scale);
roi_start_h = round(40 * spatial_scale);
roi_end_w = round(200 * spatial_scale);
roi_end_h = round(400 * spatial_scale);
其中spatial_scale的计算方式是spatial_scale=round(38/600)=round(50/800)=0.0625，所以在feature map中的roi区域[roi_start_w,roi_start_h,roi_end_w,roi_end_h]=[2,3,13,25];
具体的代码可以参见caffe中roi_pooling_layer.cpp
6.ROI Pooling 和 ROI Align
参考：链接