faster rcnn 網路結構圖

        Faster cnn 大概思路就是，首先是輸入一張影象，然後將影象固定最小邊為600的大小，保證了影象不發生形變，然後經過一個訓練好的網路，比如vgg或者是其他的，得到特徵圖，然後有兩條路，一個是輸入RNP網路，經過一個3*3的卷積，RPN網路也有兩條路，一條是直接經過一個1*1的卷積，啟用函式使用linear，用於迴歸，因為框有4個座標，(dx,dy,dw,dh)，其實這裡迴歸的是一種變換，我們假設總共有N種候選框，那麼輸入的卷積通道數就是4A，另外一條是二分了網路，用於區分每個anchor是含有目標還是不含有目標，如果是bg(背景)那麼輸入就是

Anchor的生成

    Anchor是這樣的，我麼實現給定不同尺度的框，比如scale ==[128,256,512]長寬比[1;1,1:2,2:1],那麼長寬和長寬比就可以11兩兩組合生成九種框，然後是在特徵圖上沒一個點，把這個點當做是矩形框的中心，生成這九種長寬不同的框。

上圖左邊就是一個特徵圖上的點方法了的anchor，右邊就是特徵圖上一個點。

Faster rcnn 的損失函式

其實他的變換思想就是，現將我們的框的中心點平移到目標框的中心(這裡的目標框其實就是gt，或者是預測框)，然後再將我們的長和寬進行伸縮變換，所以前面的叫做平移變換，後面的是伸縮變換。然後我們也可以看出來，我們的迴歸是這樣迴歸的，是讓我們預測的框和anchor直接的變換與真實框與anchor直接的變換的損失最小，損失函式就是smooth函式。

分類函式的損失就是softmax損失，也叫互熵損失，對於RPN的分類是二分類問題，而對於分類層是一個多分類問題。