參考連結：

1）https://www.zhihu.com/question/265345106/answer/294410307

2）

http://nooverfit.com/wp/%E5%81%9A%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%EF%BC%8C%E5%86%8D%E5%88%AB%E6%8A%8Aiou%EF%BC%8Croi-%E5%92%8C-roc%EF%BC%8Cauc-%E6%90%9E%E6%B7%B7%E4%BA%86-%EF%BC%81%E8%81%8A%E8%81%8A%E7%9B%AE%E6%A0%87/

3）http://blog.csdn.net/myarrow/article/details/51878004

一.faster-rcnn當中的rpn的理解

該作者以faster-rcnn為例子，說明了，現在主流的目標檢測（object Dection）分為兩個步驟，第二個步驟就是Regional Proposal過程（Regional Proposal：生成候選區域，產生預測值）

可以看到，圖中有兩個Classification loss和兩個Bounding-box regression loss，有什麼區別呢？

step1、

Input Image經過CNN特徵提取，首先來到Region Proposal網路。由Regio Proposal Network輸出的Classification，這並不是判定物體在COCO資料集上對應的80類中哪一類，而是輸出一個Binary的值p，可以理解為

，人工設定一個threshold=0.5。（在這裡進行一下解釋：一共有80個分類，在80分類以外還有很多其他的物體不需要進行分類，因此通過Regio Proposal Network該層僅僅是判斷是否進行下一步操作，是一個二分類，而非80分類）

RPN網路做的事情就是，如果一個Region的 ，則認為這個Region中可能是80個類別中的某一類，具體是哪一類現在還不清楚。到此為止，Network只需要把這些可能含有物體的區域選取出來就可以了，這些被選取出來的Region又叫做ROI （Region of Interests），即感興趣的區域。當然了，RPN同時也會在feature map上框定這些ROI感興趣區域的大致位置，即輸出Bounding-box

。

So, RPN網路做的事情就是，把一張圖片中，我不感興趣的區域——花花草草、大馬路、天空之類的區域忽視掉，只留下一些我可能感興趣的區域——車輛、行人、水杯、鬧鐘等等，然後我之後只需要關注這些感興趣的區域，進一步確定它到底是車輛、還是行人、還是水杯（分類問題）。。。。

step2.

接下來的工作就很簡單了，假設輸入RPN網路的feature map大小為 ，那麼我們提取的ROI的尺寸一定小於 ，因為原始影象某一塊的物體在feature map上也以同樣的比例存在。我們只需要把這些Region從feature map上摳出來，由於每個Region的尺寸可能不一樣，因為原始影象上物體大小不一樣，所以我們需要將這些摳出來的Region想辦法resize到相同的尺寸，這一步方法很多（Pooling或者Interpolation，一般採用Pooling，因為反向傳播時求導方便）。

假設這些摳出來的ROI Region被我們resize到了 或者 ，那我們接下來將這些Region輸入普通的分類網路，即第一張Faster R-CNN的結構圖中最上面的部分，即可得到整個網路最終的輸出classification，這裡的class（車、人、狗。。）才真正對應了COCO資料集80類中的具體類別。

同時，由於我們之前RPN確定的box\region座標比較粗略，即大概框出了感興趣的區域，所以這裡我們再來一次精確的微調，根據每個box中的具體內容微微調整一下這個box的座標，即輸出第一張圖中右上方的Bounding-box regression。

二.對於Anchor(錨點)的理解

個人理解是：找出Regional Proposal的對稱中心點，然後接著對於該點進行修正

三。ROI (region of interest) , 感興趣區域

我們做任何目標檢測在準備資料集時都要選擇感興趣區域, 

四。ROC曲線和AUC區域。

首先ROC受試者工作特徵曲線，聽名字就是從醫療領域引入的。理解之前我們先要回顧一下真陽率（TP），假陽率（FP），假陰率(FN)，真陰率(TN)的概念：

來自：https://stats.stackexchange.com/questions/132777/what-does-auc-stand-for-and-what-is-it

很熟悉吧？真陽率（TP）就是預測類別1而事實上是類別1， 假陽率（FP）就是預測類別1但是事實上不是類別1.

把TP作為縱座標，FP作為橫座標，就是一個類別的ROC曲線了 ：

來自; https://stats.stackexchange.com/questions/132777/what-does-auc-stand-for-and-what-is-it

曲線下的藍色區域就是曲線下區域AUC (Area Under the Curve)了 如果AUC的面積為1，恭喜你，在這個類別上你的準確率是最高的。AUC一般越大越好，說明某個類別的分類準確度越高。

附上roc和auc的理解與使用連結：http://blog.csdn.net/shenxiaoming77/article/details/72627882