参考博客：https://www.cnblogs.com/lillylin/p/6277094.html
整个R-FCN的流程：
- 一个base的conv网络如ResNet101, 一个RPN（Faster RCNN来的）,一个position sensitive的prediction层，最后的ROI pooling+投票的决策层
如图所示：
下面是我自己画的图，从经过特征提取网络得到的特征图开始，后续的处理过程：
1、假设由网络得到特征图为大小为：H*W*2048，（ ResNet 101——去掉原始ResNet101的最后一层全连接层，保留前100层，再接一个1*1*1024的全卷积层（100层输出是2048，为了降维，再引入了一个1*1的卷积层）），得到H*W*1024的特征图。然后和k^2(C+1)个1*1*1024的卷积核进行卷积， 得到H*W*K^2(C+1)的特征图，如图所示:
右边彩色的特征图中k=3,特征图的厚度为3^2*(C+1)=9(C+1)，共9个大块,每个大块厚度为C+1。其中有个白色的九宫格表示经过RPN网络映射到特征图上的目标区域。这里采用分为9格的做法，为了得到作者提出的位置敏感的score map。
k = 3，表示把一个ROI划分成3*3，对应的9个位置分别是：上左（左上角），上中，上右，中左，中中，中右，下左，下中，下右（右下角），对应前面的9*(C+1)的特征图中的9个块（9种颜色）， 每个块厚度为C+1，每个块对应原图中ROI 区域的一个位置，将ROI区域划分成9块，相当于将目标 划分为不同的部分，比如下图：
图中小孩子对应的ROI区域划分成9块，分别对应小孩的身体的一部分，而映射到特征图中的的ROI，分成9块，这9块怎么得到呢？ 如下图所示，这个ROI的左上角的区域，由厚度为9*(C+1)的特征图中的大红色部分得到，在整个红色块中，只取ROI所在位置的左上角的部分，而ROI 的上中部分，由红色后面的淡红色块中ROI所在位置的中上部分得到，依次可以得到ROI的右上角，中左，中中，中右， 下左，下中，下右（右下角）。
这样就得到了ROI区域对应的H*W*(C+1)的score map， 然后经过一个ROI pooling，每个类别做一次，也就是有C+1个类别，每个类别 对应的3*3=9个区域，每个区域进行池化，得到3*3=9个值，共有C+1个类别，所以会得到3*3*(C+1)的feature map，然后每个类别对应的9个值再进行一个投票，得到一个值，共C+1个类别，所以会得到长度为C+1的特征向量，最后经过一个softmax得到分类结果。