Faster R-CNN的feature stride

Faster R-CNN^[1] 在其 Implementation Details 提到：

We also note that for ZF and VGG nets, the total stride on the last conv layer is 16 pixels on the re-scaled image, and thus is ∼10 pixels on a typical PASCAL image (∼500×375).

这个 stride 是用作 feature map 与 original image 的座标对应关系。对于一张 [500, 375, 3] 的 image（所谓典型 PASCAL image size），当用 VGG16 做 backbone，所得 feature map 的 size 就是 [31, 23, 512]，其中 $\frac{500}{31}\approx \frac{375}{23}\approx 16$。

这在生成 anchor 时用到。以 [2] 这份复现为例，这个参数就是 feat_stride。Faster R-CNN 基于 feature map（的形状）产生 anchors，然后基于 anchors（相当于 base bbox）和 box-regression layer 输出的 refinement 参数产生 predicted bbox，参考 [3]。

然而 ground-truth bbox 是在 original image 上的，anchor 是在 feature map 上的，要将 anchor 映射回 original image。操作就是以 feature map 上各位置为 anchor centroid，乘以 feature stride 得到将这些 anchor centroids 映射回 original image 上时的座标。

References

1. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
2. ruotianluo/pytorch-faster-rcnn
3. 边框回归(Bounding Box Regression)详解
4. An Implementation of Faster RCNN with Study for Region Sampling