经过自己看了原文章《Faster R-CNN: Towards Real-Time Object Detectionwith Region Proposal Networks》，结合网上一些资料，貌似终于明白了这里的工作原理的。
不得不说，真的很经典，但是不仔细理解的话，很容易和一般的cnn搞混！
原文中rcnn部分的截图
图片来自网上，黑色是滑动窗口的区域，就是上图的红色区域的sliding window其他颜色 9种窗口 就是anchor机制生成的9种区域
这里要把sliding window和卷积层的滑动区别开，sliding winsow的stride步长是1！（想到经典的harr+adaboost人脸检测）
sliding window只是选取所有可能区域，并没有额外的什么作用！
经过前面的网络 生成了一个 多通道的特征图，接下来就是通过在这些特征图上应用 滑动窗口 加 anchor 机制 进行目标区域判定和分类了，
目标检测，就是包括 目标框定 和 目标判定。
所以 这里的 滑动窗口 + anchor的机制 的功能就 类似于 fast rcnn 的selective search 生成region 的作用rpn就是一种对这些 可能region进行 回归 和分类的 小网络，
用原文的话讲“we slide a small network over the conv feature map output by the last shared conv layer”
1.RPN是一个 卷积层（256维） + relu + 左右两个层的（clc layer 和 reg layer）的小网络应用在滑动窗口区域上的 ， 所有的滑动窗口 共享这个 RPN
这个卷积层 对比 普通的卷积层
1，它是一个将 n x n x channels的输入 通过256个 n x n 大小的卷积核 生成 1 * 1 * 256的feature map，即最后是256维的特征
2，没错 和 普通的卷积层一样，只不过经过它卷积后 特征图变成1 x 1了
3，由于此时输出的是 1 * 1 *256，所有cls layer 和reg layer是用 1 x 1的卷积核进行进一步的特征提取，
这里1 x 1卷积核卷积时，对各个通道都有不同的参数，因为输入又是1 x 1的图片，所以相当于全连接的功能，相当于把 1 * 1 * 256展平成 256，然后进行全连接
2.关于 anchor机制
anchor机制 就是 在n x n的滑动窗口上，进一步选择，生成k种可能的区域
滑动窗口 加 anchor机制 基本把目标可能出现的区域都涵盖了
所以 滑动窗口 加 anchor 就替代了 滑动窗口加金字塔 的功能
但是anchor的区域大小不一样，怎么输入到rpn？目前还没有进一步看，目测也是根据 fast rcnn的坐标映射，即输入一个滑动窗口的，经过rpn，提取这个滑动窗口上所有k个区域的特征
待补充。。。
---------------2018.1.20补充
anchor是根据nxn区域的中心点，推算出对应原图在这个中心点的k种不同大小的可能区域。
之前的理解错了，用anchor机制只是为了得到k个区域的监督信息（区域的坐标和前景背景标签）
从nxn提出的256d特征是被这k种区域共享的，在clc layer和reg layer计算损失的时候，用这共享的256d特征 加上 anchor推算出k种区域的坐标和前景、背景的标签，便可以对这k种区域同时计算loss。
clc layer和reg layer同时预测k个区域的前景、背景概率（1个区域2个scores，所以是2k个scores），以及bounding box（1个区域4个coordinates，所以是4k个coordinates），具体的说：
clc layer输出预测区域的2个参数，即预测为前景的概率pa和pb，损失用softmax loss（cross entropy loss）（本来还以为是sigmoid，这样的话只预测pa就可以了？）。需要的监督信息是Y=0,1，表示这个区域是否ground truth
reg layer输出预测区域的4个参数：x,y,w,h，用smooth L1 loss。需要的监督信息是 anchor的区域坐标{xa,ya,wa,ha} 和 ground truth的区域坐标{x*,y*,w*,h*}
显然，上面的监督信息：Y，{xa,ya,wa,ha}（k个），{x*,y*,w*,h*}（1个），就是通过anchor机制产生的。这几个参数的指定（比如k个anchor区域的Y是怎么得到的）是根据文章中的样本产生规则，很多博客中也都提到了。
e....