在faster-r-cnn 中，因为引入rpn层，使得算法速度变快了不少，其实rpn主要作用预测的是

“相对的平移，缩放尺度”，rpn提取出的proposals通常要和anchor box进行拟合回归，就像

卡尔曼滤波一样，最终结果是基于观测量加上一个预测量。这里将的不错，公式和代码也

切合。

下面部分来源：http://www.cnblogs.com/dudumiaomiao/p/6560841.html
主要步骤，

回归/微调：

回归/微调的对象是什么？ 

(4)   Bounding-box regression（边框回归） 
那么经过何种变换才能从图11中的窗口P变为窗口呢？比较简单的思路就是： 
 

 

和知乎   https://www.zhihu.com/question/42205480     的回答：

这里输出的并不是一个boundingbox的左上右下坐标，而是一个修改量（boundingbox regression）。在r-cnn的supplementary material中，给出了下面几个公式

 

这里面的P就是的anchor（高、宽、中心），而里面的d_{x} d_{y}d_{w}d_{h}是rpn_bbox层输出的四个值，G就是修改之后的高、宽、中心。


作者：刘缘
链接：https://www.zhihu.com/question/42205480/answer/128259995
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。