参考ブログ：https://www.cnblogs.com/lillylin/p/6277094.html
R-FCN全体のプロセス：
- そのようなResNet101、RPN（高速RCNNが来る）、予測の位置感応層、最終的なROIプーリング+投票意思決定としてCONVネットワークの基地
図示のように：
ここではマップが起動した機能、後続の処理を介してネットワークの特性から抽出された自分の絵のマップは、次のとおりです。
H * W * 2048（ResNet 101--オリジナルフルResNet101接続層の最後の層を除去し、×1024 1 * 1のフルボリュームに続く第一の層100を、留保：1は、それがネットワークサイズが前記ピクチャー得られるが想定されます図を得た積層体は、（出力層100はコンボリューション層1 * 1を再導入、次元削減のため、2048））×1024のH * Wの特徴。次いで、コンボリューションカーネルと示すように、H * W * Kを図特性における^ 2（C + 1）を得、K ^ 2（C + 1）* 1 * 1〜1024を畳み込みます。
図のK = 3で右の色特徴、前記図の厚さ。3 ^ 2 *（C + 1）= 9（C + 1）、9つのチャンクの総数、C + 1の厚さを有し、各チャンク。白四角でRPNを介してネットワークを表す図の機能上のターゲット領域にマッピングされました。提案されたマップの位置に敏感なスコアを取得するための9つのグリッド・アプローチに分け、ここで使用されます。
K = 3は、9箇所に対応し、ROIが3×3に分割されて表しは：（左上）、上側、右上、左、右に、左下、下中央を残し右下（右下）は、図中の対応する9 *（C + 1）特性ブロック。9（9色）の前に、各ブロックは、ROIの画像内の各ブロックに対応し、C + 1の厚さを有しますROIの位置は、次のような異なるセクションに分割され、ターゲットに対応する、9つの領域に分割されています。
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。