Region Proposal Network
RPN的实现方式：在conv5-3的卷积feature map上用一个n*n的sliding window（论文中n=3）生成一个长度为256（ZF网络）或512（对应于VGG网络）维长度的全连接特征。然后再这个256维或512维的特征后产生两个分支的全连接层：
- 1. reg-layer：用于预测proposal的中心锚点对应的proposal的坐标x，y和宽高w，h；
- 2. cls-layer：用于判定该proposal是前景还是背景。sliding window的处理方式保证reg-layer和cls-layer关联了conv5-3的全部特征空间。事实上，作者用全连接层实现方式介绍RPN层实现容易帮助我们理解这一过程，但在实现时，作者选用了卷积层实现全连接层的功能。
- 3. 个人理解：全连接层本来就是特殊的卷积层，如果产生256或512维的fc特征，事实上可以用Num_out=256或512，kernel_size=33，stride=1的卷积层实现conv5-3到第一个全连接特征的映射。然后再用两个Num_out分别为 29=18 和 49=36，kernel_size=11，stride=1的卷积层实现上一层特征到两个分支cls层和reg层的特征映射。
- 4. attention：这里29中的2指cls层的分类结果包含前后背景两类，49的4表示一个Proposal的中心点坐标x，y和宽高w，h四个参数。采用卷积的方式实现全连接处理并不会减少参数的数量，但是使得输入的图像的尺寸可以更加灵活。在RPN网络中，需要重点理解其中的anchors概念，Loss functions计算方式和RPN层训练数据生成的具体细节。
Anchors: 锚点，位于之前提到的nn的sliding window的中心处。对于一个sliding window，我们可以同时预测多个proposal，假定有k个proposal，即k个reference boxes，每一个reference box又可以用一个scale，一个aspect_ratio和sliding window中的锚点唯一确定。所以，后面说一个anchor，就理解成一个anchor box 或 一个reference box。论文中定义k=9，即3种scales和3种aspect_ratio确定出当前sliding window 位置处对应的9个reference boxes，4k个reg-layer的输出和2k个cls-layer的score输出。对于一幅WH的feature map，对应WHk个锚点，所有的锚点都具有尺度不变性。
Loss functions：
在计算Loss值之前，作者设置了anchors的标定方法。正样本标定规则：
1） 如果Anchor对应的refrence box 与 ground truth 的 IOU值最大，标记为正样本；
2）如果Anchor对应的refrence box与ground truth的IoU>0.7，标定为正样本。事实上，采用第2个规则基本上可以找到足够的正样本，但是对于一些极端情况，例如所有的Anchor对应的reference box与groud truth的IoU不大于0.7,可以采用第一种规则生成.
3）负样本标定规则：如果Anchor对应的reference box 与 ground truth的IoU<0.3，标记为负样本。
4）剩下的既不是正样本也不是负样本，不用于最终训练。
5）训练RPN的Loss是有classification loss(即softmax loss）和 regression loss（即L1 loss）按一定比重组成的。
计算softmax loss需要的是anchors对应的ground truth 标定结果和预测结果，计算regression loss需要三组信息：
i. 预测框，即RPN网络预测出的proposal的中心位置坐标x,y和宽高w,h；
ii. 锚点reference box:
之前的9个锚点对应9个不同scale和aspect_ratio的reference boxes，每一个reference boxes都有一个中心点位置坐标x_a,y_a和宽高w_a,h_a；
iii. ground truth:标定的框也对应一个中心点位置坐标x,y和宽高w,h.因此计算regression loss和总Loss方式如下：
- RPN训练设置：
(1)在训练RPN时，一个Mini-batch是由一幅图像中任意选取的256个proposal组成的，其中正负样本的比例为1：1.
(2)如果正样本不足128，则多用一些负样本以满足有256个Proposal可以用于训练，反之亦然.
(3)训练RPN时，与VGG共有的层参数可以直接拷贝经ImageNet训练得到的模型中的参数；剩下没有的层参数用标准差=0.01的高斯分布初始化.
