經過R-CNN和Fast RCNN的積澱，Ross B. Girshick在2016年提出了新的Faster RCNN，在結構上，Faster RCNN已經將特徵抽取(feature extraction)，proposal提取，bounding box regression(rect refine)，classification都整合在了一個網路中，使得綜合性能有較大提高，在檢測速度方面尤為明顯。

目錄
1 Conv layers
2 Region Proposal Networks(RPN)
- 2.1 多通道影象卷積基礎知識介紹
- 2.2 anchors
- 2.3 softmax判定positive與negative
- 2.4 bounding box regression原理
- 2.5 對proposals進行bounding box regression
- 2.6 Proposal Layer
3 RoI pooling
- 3.1 為何需要RoI Pooling
- 3.2 RoI Pooling原理
4 Classification
5 Faster RCNN訓練
- 5.1 訓練RPN網路
- 5.2 通過訓練好的RPN網路收集proposals
- 5.3 訓練Faster RCNN網路
Questions and Answer

圖1 Faster RCNN基本結構（來自原論文）

依作者看來，如圖1，Faster RCNN其實可以分為4個主要內容：

1. Conv layers。作為一種CNN網路目標檢測方法，Faster RCNN首先使用一組基礎的conv+relu+pooling層提取image的feature maps。該feature maps被共享用於後續RPN層和全連線層。
2. Region Proposal Networks。RPN網路用於生成region proposals。該層通過softmax判斷anchors屬於positive或者negative，再利用bounding box regression修正anchors獲得精確的proposals。
3. Roi Pooling。該層收集輸入的feature maps和proposals，綜合這些資訊後提取proposal feature maps，送入後續全連線層判定目標類別。
4. Classification。利用proposal feature maps計算proposal的類別，同時再次bounding box regression獲得檢測框最終的精確位置。

所以本文以上述4個內容作為切入點介紹Faster R-CNN網路。

圖2展示了python版本中的VGG16模型中的faster_rcnn_test.pt的網路結構，可以清晰的看到該網路對於一副任意大小PxQ的影象：

• 首先縮放至固定大小MxN，然後將MxN影象送入網路；
• 而Conv layers中包含了13個conv層+13個relu層+4個pooling層；
• RPN網路首先經過3x3卷積，再分別生成positive anchors和對應bounding box regression偏移量，然後計算出proposals；
• 而Roi Pooling層則利用proposals從feature maps中提取proposal feature送入後續全連線和softmax網路作classification（即分類proposal到底是什麼object）。

圖2 faster_rcnn_test.pt網路結構 （pascal_voc/VGG16/faster_rcnn_alt_opt/faster_rcnn_test.pt）

本文不會討論任何關於R-CNN家族的歷史，分析清楚最新的Faster R-CNN就夠了，並不需要追溯到那麼久。實話說我也不瞭解R-CNN，更不關心。有空不如看看新演算法。

新出爐的pytorch官方Faster RCNN程式碼導讀：

1 Conv layers

Conv layers包含了conv，pooling，relu三種層。以python版本中的VGG16模型中的faster_rcnn_test.pt的網路結構為例，如圖2，Conv layers部分共有13個conv層，13個relu層，4個pooling層。這裡有一個非常容易被忽略但是又無比重要的資訊，在Conv layers中：

1. 所有的conv層都是：kernel_size=3，pad=1，stride=1
2. 所有的pooling層都是：kernel_size=2，pad=0，stride=2

為何重要？在Faster RCNN Conv layers中對所有的卷積都做了擴邊處理（ pad=1，即填充一圈0），導致原圖變為 (M+2)x(N+2)大小，再做3x3卷積後輸出MxN 。正是這種設定，導致Conv layers中的conv層不改變輸入和輸出矩陣大小。如圖3：

圖3 卷積示意圖

類似的是，Conv layers中的pooling層kernel_size=2，stride=2。這樣每個經過pooling層的MxN矩陣，都會變為(M/2)x(N/2)大小。綜上所述，在整個Conv layers中，conv和relu層不改變輸入輸出大小，只有pooling層使輸出長寬都變為輸入的1/2。

那麼，一個MxN大小的矩陣經過Conv layers固定變為(M/16)x(N/16)！這樣Conv layers生成的feature map中都可以和原圖對應起來。

2 Region Proposal Networks(RPN)

經典的檢測方法生成檢測框都非常耗時，如OpenCV adaboost使用滑動視窗+影象金字塔生成檢測框；或如R-CNN使用SS(Selective Search)方法生成檢測框。而Faster RCNN則拋棄了傳統的滑動視窗和SS方法，直接使用RPN生成檢測框，這也是Faster R-CNN的巨大優勢，能極大提升檢測框的生成速度。

圖4 RPN網路結構

上圖4展示了RPN網路的具體結構。可以看到RPN網路實際分為2條線，上面一條通過softmax分類anchors獲得positive和negative分類，下面一條用於計算對於anchors的bounding box regression偏移量，以獲得精確的proposal。而最後的Proposal層則負責綜合positive anchors和對應bounding box regression偏移量獲取proposals，同時剔除太小和超出邊界的proposals。其實整個網路到了Proposal Layer這裡，就完成了相當於目標定位的功能。

2.1 多通道影象卷積基礎知識介紹

在介紹RPN前，還要多解釋幾句基礎知識，已經懂的看官老爺跳過就好。

1. 對於單通道影象+單卷積核做卷積，第一章中的圖3已經展示了；
2. 對於多通道影象+多卷積核做卷積，計算方式如下：

圖5 多通道卷積計算方式

如圖5，輸入有3個通道，同時有2個卷積核。對於每個卷積核，先在輸入3個通道分別作卷積，再將3個通道結果加起來得到卷積輸出。所以對於某個卷積層，無論輸入影象有多少個通道，輸出影象通道數總是等於卷積核數量！

對多通道影象做1x1卷積，其實就是將輸入影象於每個通道乘以卷積係數後加在一起，即相當於把原影象中本來各個獨立的通道“聯通”在了一起。

2.2 anchors

提到RPN網路，就不能不說anchors。所謂anchors，實際上就是一組由rpn/generate_anchors.py生成的矩形。直接執行作者demo中的generate_anchors.py可以得到以下輸出：

[[ -84.  -40.   99.   55.]
 [-176.  -88.  191.  103.]
 [-360. -184.  375.  199.]
 [ -56.  -56.   71.   71.]
 [-120. -120.  135.  135.]
 [-248. -248.  263.  263.]
 [ -36.  -80.   51.   95.]
 [ -80. -168.   95.  183.]
 [-168. -344.  183.  359.]]

其中每行的4個值表矩形左上和右下角點座標。9個矩形共有3種形狀，長寬比為大約為三種，如圖6。實際上通過anchors就引入了檢測中常用到的多尺度方法。

圖6 anchors示意圖

注：關於上面的anchors size，其實是根據檢測影象設定的。在python demo中，會把任意大小的輸入影象reshape成800x600（即圖2中的M=800，N=600）。再回頭來看anchors的大小，anchors中長寬1:2中最大為352x704，長寬2:1中最大736x384，基本是cover了800x600的各個尺度和形狀。

那麼這9個anchors是做什麼的呢？借用Faster RCNN論文中的原圖，如圖7，遍歷Conv layers計算獲得的feature maps，為每一個點都配備這9種anchors作為初始的檢測框。這樣做獲得檢測框很不準確，不用擔心，後面還有2次bounding box regression可以修正檢測框位置。

圖7

解釋一下上面這張圖的數字。

1. 在原文中使用的是ZF model中，其Conv Layers中最後的conv5層num_output=256，對應生成256張特徵圖，所以相當於feature map每個點都是256-dimensions
2. 在conv5之後，做了rpn_conv/3x3卷積且num_output=256，相當於每個點又融合了周圍3x3的空間資訊（猜測這樣做也許更魯棒？反正我沒測試），同時256-d不變（如圖4和圖7中的紅框）
3. 假設在conv5 feature map中每個點上有k個anchor（預設k=9），而每個anhcor要分positive和negative，所以每個點由256d feature轉化為cls=2•k scores；而每個anchor都有(x, y, w, h)對應4個偏移量，所以reg=4•k coordinates
4. 補充一點，全部anchors拿去訓練太多了，訓練程式會在合適的anchors中隨機選取128個postive anchors+128個negative anchors進行訓練（什麼是合適的anchors下文5.1有解釋）

注意，在本文講解中使用的VGG conv5 num_output=512，所以是512d，其他類似。

其實RPN最終就是在原圖尺度上，設定了密密麻麻的候選Anchor。然後用cnn去判斷哪些Anchor是裡面有目標的positive anchor，哪些是沒目標的negative anchor。所以，僅僅是個二分類而已！

那麼Anchor一共有多少個？原圖800x600，VGG下采樣16倍，feature map每個點設定9個Anchor，所以：

其中ceil()表示向上取整，是因為VGG輸出的feature map size= 50*38。

圖8 Gernerate Anchors

2.3 softmax判定positive與negative

一副MxN大小的矩陣送入Faster RCNN網路後，到RPN網路變為(M/16)x(N/16)，不妨設 W=M/16，H=N/16。在進入reshape與softmax之前，先做了1x1卷積，如圖9：

圖9 RPN中判定positive/negative網路結構

該1x1卷積的caffe prototxt定義如下：

layer {
  name: "rpn_cls_score"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_cls_score"
  convolution_param {
    num_output: 18   # 2(positive/negative) * 9(anchors)
    kernel_size: 1 pad: 0 stride: 1
  }
}

可以看到其num_output=18，也就是經過該卷積的輸出影象為WxHx18大小（注意第二章開頭提到的卷積計算方式）。這也就剛好對應了feature maps每一個點都有9個anchors，同時每個anchors又有可能是positive和negative，所有這些資訊都儲存WxHx(9*2)大小的矩陣。為何這樣做？後面接softmax分類獲得positive anchors，也就相當於初步提取了檢測目標候選區域box（一般認為目標在positive anchors中）。

那麼為何要在softmax前後都接一個reshape layer？其實只是為了便於softmax分類，至於具體原因這就要從caffe的實現形式說起了。在caffe基本資料結構blob中以如下形式儲存資料：

blob=[batch_size, channel，height，width]

對應至上面的儲存positive/negative anchors的矩陣，其在caffe blob中的儲存形式為[1, 2x9, H, W]。而在softmax分類時需要進行positive/negative二分類，所以reshape layer會將其變為[1, 2, 9xH, W]大小，即單獨“騰空”出來一個維度以便softmax分類，之後再reshape回覆原狀。貼一段caffe softmax_loss_layer.cpp的reshape函式的解釋，非常精闢：

"Number of labels must match number of predictions; "
"e.g., if softmax axis == 1 and prediction shape is (N, C, H, W), "
"label count (number of labels) must be N*H*W, "
"with integer values in {0, 1, ..., C-1}.";

綜上所述，RPN網路中利用anchors和softmax初步提取出positive anchors作為候選區域（另外也有實現用sigmoid代替softmax，輸出[1, 1, 9xH, W]後接sigmoid進行positive/negative二分類，原理一樣）。

2.4 bounding box regression原理

如圖9所示綠色框為飛機的Ground Truth(GT)，紅色為提取的positive anchors，即便紅色的框被分類器識別為飛機，但是由於紅色的框定位不準，這張圖相當於沒有正確的檢測出飛機。所以我們希望採用一種方法對紅色的框進行微調，使得positive anchors和GT更加接近。

圖10

對於視窗一般使用四維向量表示，分別表示視窗的中心點座標和寬高。對於圖 11，紅色的框A代表原始的positive Anchors，綠色的框G代表目標的GT，我們的目標是尋找一種關係，使得輸入原始的anchor A經過對映得到一個跟真實視窗G更接近的迴歸視窗G'，即：

• 給定anchor和
• 尋找一種變換F，使得：，其中

圖11

那麼經過何種變換F才能從圖10中的anchor A變為G'呢？ 比較簡單的思路就是:

• 先做平移

• 再做縮放

觀察上面4個公式發現，需要學習的是這四個變換。當輸入的anchor A與GT相差較小時，可以認為這種變換是一種線性變換， 那麼就可以用線性迴歸來建模對視窗進行微調（注意，只有當anchors A和GT比較接近時，才能使用線性迴歸模型，否則就是複雜的非線性問題了）。

接下來的問題就是如何通過線性迴歸獲得了。線性迴歸就是給定輸入的特徵向量X, 學習一組引數W, 使得經過線性迴歸後的值跟真實值Y非常接近，即。對於該問題，輸入X是cnn feature map，定義為Φ；同時還有訓練傳入A與GT之間的變換量，即。輸出是四個變換。那麼目標函式可以表示為：

其中是對應anchor的feature map組成的特徵向量，是需要學習的引數，是得到的預測值（*表示 x，y，w，h，也就是每一個變換對應一個上述目標函式）。為了讓預測值與真實值差距最小，設計L1損失函式：

函式優化目標為：

為了方便描述，這裡以L1損失為例介紹，而真實情況中一般使用soomth-L1損失。

需要說明，只有在GT與需要回歸框位置比較接近時，才可近似認為上述線性變換成立。
說完原理，對應於Faster RCNN原文，positive anchor與ground truth之間的平移量與尺度因子如下：

對於訓練bouding box regression網路迴歸分支，輸入是cnn feature Φ，監督訊號是Anchor與GT的差距，即訓練目標是：輸入 Φ的情況下使網路輸出與監督訊號儘可能接近。那麼當bouding box regression工作時，再輸入Φ時，迴歸網路分支的輸出就是每個Anchor的平移量和變換尺度，顯然即可用來修正Anchor位置了。

2.5 對proposals進行bounding box regression

在瞭解bounding box regression後，再回頭來看RPN網路第二條線路，如圖12。

圖12 RPN中的bbox reg

先來看一看上圖11中1x1卷積的caffe prototxt定義：

layer {
  name: "rpn_bbox_pred"
  type: "Convolution"
  bottom: "rpn/output"
  top: "rpn_bbox_pred"
  convolution_param {
    num_output: 36   # 4 * 9(anchors)
    kernel_size: 1 pad: 0 stride: 1
  }
}

可以看到其 num_output=36，即經過該卷積輸出影象為WxHx36，在caffe blob儲存為[1, 4x9, H, W]，這裡相當於feature maps每個點都有9個anchors，每個anchors又都有4個用於迴歸的

變換量。

回到圖8，VGG輸出的特徵，對應設定個anchors，而RPN輸出：

1. 大小為的positive/negative softmax分類特徵矩陣
2. 大小為的regression座標迴歸特徵矩陣

恰好滿足RPN完成positive/negative分類+bounding box regression座標迴歸.

2.6 Proposal Layer

Proposal Layer負責綜合所有變換量和positive anchors，計算出精準的proposal，送入後續RoI Pooling Layer。還是先來看看Proposal Layer的caffe prototxt定義：

layer {
  name: 'proposal'
  type: 'Python'
  bottom: 'rpn_cls_prob_reshape'
  bottom: 'rpn_bbox_pred'
  bottom: 'im_info'
  top: 'rois'
  python_param {
    module: 'rpn.proposal_layer'
    layer: 'ProposalLayer'
    param_str: "'feat_stride': 16"
  }
}

Proposal Layer有3個輸入：positive vs negative anchors分類器結果rpn_cls_prob_reshape，對應的bbox reg的變換量rpn_bbox_pred，以及im_info；另外還有引數feat_stride=16，這和圖4是對應的。

首先解釋im_info。對於一副任意大小PxQ影象，傳入Faster RCNN前首先reshape到固定MxN，im_info=[M, N, scale_factor]則儲存了此次縮放的所有資訊。然後經過Conv Layers，經過4次pooling變為WxH=(M/16)x(N/16)大小，其中feature_stride=16則儲存了該資訊，用於計算anchor偏移量。

圖13

Proposal Layer forward（caffe layer的前傳函式）按照以下順序依次處理：

1. 生成anchors，利用對所有的anchors做bbox regression迴歸（這裡的anchors生成和訓練時完全一致）
2. 按照輸入的positive softmax scores由大到小排序anchors，提取前pre_nms_topN(e.g. 6000)個anchors，即提取修正位置後的positive anchors
3. 限定超出影象邊界的positive anchors為影象邊界，防止後續roi pooling時proposal超出影象邊界（見文章底部QA部分圖21）
4. 剔除尺寸非常小的positive anchors
5. 對剩餘的positive anchors進行NMS（nonmaximum suppression）
6. Proposal Layer有3個輸入：positive和negative anchors分類器結果rpn_cls_prob_reshape，對應的bbox reg的(e.g. 300)結果作為proposal輸出

之後輸出proposal=[x1, y1, x2, y2]，注意，由於在第三步中將anchors映射回原圖判斷是否超出邊界，所以這裡輸出的proposal是對應MxN輸入影象尺度的，這點在後續網路中有用。另外我認為，嚴格意義上的檢測應該到此就結束了，後續部分應該屬於識別了。

RPN網路結構就介紹到這裡，總結起來就是：
生成anchors -> softmax分類器提取positvie anchors -> bbox reg迴歸positive anchors -> Proposal Layer生成proposals

3 RoI pooling

而RoI Pooling層則負責收集proposal，並計算出proposal feature maps，送入後續網路。從圖2中可以看到Rol pooling層有2個輸入：

1. 原始的feature maps
2. RPN輸出的proposal boxes（大小各不相同）

3.1 為何需要RoI Pooling

先來看一個問題：對於傳統的CNN（如AlexNet和VGG），當網路訓練好後輸入的影象尺寸必須是固定值，同時網路輸出也是固定大小的vector or matrix。如果輸入影象大小不定，這個問題就變得比較麻煩。有2種解決辦法：

1. 從影象中crop一部分傳入網路
2. 將影象warp成需要的大小後傳入網路

圖14 crop與warp破壞影象原有結構資訊

兩種辦法的示意圖如圖14，可以看到無論採取那種辦法都不好，要麼crop後破壞了影象的完整結構，要麼warp破壞了影象原始形狀資訊。

回憶RPN網路生成的proposals的方法：對positive anchors進行bounding box regression，那麼這樣獲得的proposals也是大小形狀各不相同，即也存在上述問題。所以Faster R-CNN中提出了RoI Pooling解決這個問題。不過RoI Pooling確實是從Spatial Pyramid Pooling發展而來，但是限於篇幅這裡略去不講，有興趣的讀者可以自行查閱相關論文。

3.2 RoI Pooling原理

分析之前先來看看RoI Pooling Layer的caffe prototxt的定義：

layer {
  name: "roi_pool5"
  type: "ROIPooling"
  bottom: "conv5_3"
  bottom: "rois"
  top: "pool5"
  roi_pooling_param {
    pooled_w: 7
    pooled_h: 7
    spatial_scale: 0.0625 # 1/16
  }
}

其中有新引數pooled_w和pooled_h，另外一個引數spatial_scale認真閱讀的讀者肯定已經知道知道用途。RoI Pooling layer forward過程：

• 由於proposal是對應MxN尺度的，所以首先使用spatial_scale引數將其映射回(M/16)x(N/16)大小的feature map尺度；
• 再將每個proposal對應的feature map區域水平分為的網格；
• 對網格的每一份都進行max pooling處理。

這樣處理後，即使大小不同的proposal輸出結果都是固定大小，實現了固定長度輸出。

圖15 proposal示意圖

4 Classification

Classification部分利用已經獲得的proposal feature maps，通過full connect層與softmax計算每個proposal具體屬於那個類別（如人，車，電視等），輸出cls_prob概率向量；同時再次利用bounding box regression獲得每個proposal的位置偏移量bbox_pred，用於迴歸更加精確的目標檢測框。Classification部分網路結構如圖16。

圖16 Classification部分網路結構圖

從RoI Pooling獲取到7x7=49大小的proposal feature maps後，送入後續網路，可以看到做了如下2件事：

1. 通過全連線和softmax對proposals進行分類，這實際上已經是識別的範疇了
2. 再次對proposals進行bounding box regression，獲取更高精度的rect box

這裡來看看全連線層InnerProduct layers，簡單的示意圖如圖17，

圖17 全連線層示意圖

其計算公式如下：

其中W和bias B都是預先訓練好的，即大小是固定的，當然輸入X和輸出Y也就是固定大小。所以，這也就印證了之前Roi Pooling的必要性。到這裡，我想其他內容已經很容易理解，不在贅述了。

5 Faster RCNN訓練

Faster R-CNN的訓練，是在已經訓練好的model（如VGG_CNN_M_1024，VGG，ZF）的基礎上繼續進行訓練。實際中訓練過程分為6個步驟：

1. 在已經訓練好的model上，訓練RPN網路，對應stage1_rpn_train.pt
2. 利用步驟1中訓練好的RPN網路，收集proposals，對應rpn_test.pt
3. 第一次訓練Fast RCNN網路，對應stage1_fast_rcnn_train.pt
4. 第二訓練RPN網路，對應stage2_rpn_train.pt
5. 再次利用步驟4中訓練好的RPN網路，收集proposals，對應rpn_test.pt
6. 第二次訓練Fast RCNN網路，對應stage2_fast_rcnn_train.pt

可以看到訓練過程類似於一種“迭代”的過程，不過只迴圈了2次。至於只迴圈了2次的原因是應為作者提到："A similar alternating training can be run for more iterations, but we have observed negligible improvements"，即迴圈更多次沒有提升了。接下來本章以上述6個步驟講解訓練過程。

下面是一張訓練過程流程圖，應該更加清晰：

5.1 訓練RPN網路

在該步驟中，首先讀取RBG提供的預訓練好的model（本文使用VGG），開始迭代訓練。來看看stage1_rpn_train.pt網路結構，如圖19。

圖19 stage1_rpn_train.pt（考慮圖片大小，Conv Layers中所有的層都畫在一起了，如紅圈所示，後續圖都如此處理）

與檢測網路類似的是，依然使用Conv Layers提取feature maps。整個網路使用的Loss如下：

上述公式中表示anchors index，表示positive softmax probability，代表對應的GT predict概率（即當第i個anchor與GT間IoU>0.7，認為是該anchor是positive，；反之IoU<0.3時，認為是該anchor是negative，；至於那些0.3<IoU<0.7的anchor則不參與訓練）；代表predict bounding box，代表對應positive anchor對應的GT box。可以看到，整個Loss分為2部分：

1. cls loss，即rpn_cls_loss層計算的softmax loss，用於分類anchors為positive與negative的網路訓練
2. reg loss，即rpn_loss_bbox層計算的soomth L1 loss，用於bounding box regression網路訓練。注意在該loss中乘了，相當於只關心positive anchors的迴歸（其實在迴歸中也完全沒必要去關心negative）。

由於在實際過程中，和差距過大，用引數λ平衡二者（如，時設定），使總的網路Loss計算過程中能夠均勻考慮2種Loss。這裡比較重要是使用的soomth L1 loss，計算公式如下：

瞭解數學原理後，反過來看圖18：

1. 在RPN訓練階段，rpn-data（python AnchorTargetLayer）層會按照和test階段Proposal層完全一樣的方式生成Anchors用於訓練
2. 對於rpn_loss_cls，輸入的rpn_cls_scors_reshape和rpn_labels分別對應與，引數隱含在與的caffe blob的大小中
3. 對於rpn_loss_bbox，輸入的rpn_bbox_pred和rpn_bbox_targets分別對應與，rpn_bbox_inside_weigths對應，rpn_bbox_outside_weigths未用到（從smooth_L1_Loss layer程式碼中可以看到），而同樣隱含在caffe blob大小中

這樣，公式與程式碼就完全對應了。特別需要注意的是，在訓練和檢測階段生成和儲存anchors的順序完全一樣，這樣訓練結果才能被用於檢測！

5.2 通過訓練好的RPN網路收集proposals

在該步驟中，利用之前的RPN網路，獲取proposal rois，同時獲取positive softmax probability，如圖20，然後將獲取的資訊儲存在python pickle檔案中。該網路本質上和檢測中的RPN網路一樣，沒有什麼區別。

圖20 rpn_test.pt

5.3 訓練Faster RCNN網路

讀取之前儲存的pickle檔案，獲取proposals與positive probability。從data層輸入網路。然後：

1. 將提取的proposals作為rois傳入網路，如圖21藍框
2. 計算bbox_inside_weights+bbox_outside_weights，作用與RPN一樣，傳入soomth_L1_loss layer，如圖21綠框

這樣就可以訓練最後的識別softmax與最終的bounding box regression了。

圖21 stage1_fast_rcnn_train.pt

之後的stage2訓練都是大同小異，不再贅述了。Faster R-CNN還有一種end-to-end的訓練方式，可以一次完成train，有興趣請自己看作者GitHub吧。

QA

此篇文章初次成文於2016年內部學習分享，再後來經多次修正和完善成為現在的樣子。感謝大家一直以來的支援，現在總結常見疑問回答如下：

• 為什麼Anchor座標中有負數

回顧anchor生成步驟：首先生成9個base anchor，然後通過座標偏移在大小的下采樣FeatureMap每個點都放上這9個base anchor，就形成了個anhcors。至於這9個base anchor座標是什麼其實並不重要，不同程式碼實現也許不同。

顯然這裡面有一部分邊緣anchors會超出影象邊界，而真實中不會有超出影象的目標，所以會有clip anchor步驟。

圖21 clip anchor

• Anchor到底與網路輸出如何對應

VGG輸出的特徵，對應設定個anchors，而RPN輸出的分類特徵矩陣和的座標迴歸特徵矩陣。

圖22 anchor與網路輸出如何對應方式

其實在實現過程中，每個點的個分類特徵與迴歸特徵，與個anchor逐個對應即可，這實際是一種“人為設定的邏輯對映”。當然，也可以不這樣設定，但是無論如何都需要保證在訓練和測試過程中對映方式必須一致。

• 為何有ROI Pooling還要把輸入圖片resize到固定大小的MxN

由於引入ROI Pooling，從原理上說Faster R-CNN確實能夠檢測任意大小的圖片。但是由於在訓練的時候需要使用大batch訓練網路，而不同大小輸入拼batch在實現的時候程式碼較為複雜，而且當時以Caffe為代表的第一代深度學習框架也不如Tensorflow和PyTorch靈活，所以作者選擇了把輸入圖片resize到固定大小的800x600。這應該算是歷史遺留問題。

另外很多問題，都是屬於具體實現問題，真誠的建議讀者閱讀程式碼自行理解。

拓展

檢測演算法的評價指標：

Faster RCNN在文字檢測中的應用：CTPN

Faster RCNN在高德導航中的應用：

轉錄自