Faster R-CNN中RPN的部分理解

一、

We note that our algorithm allows the use of anchor boxes that are larger than the underlying receptive field when predicting large proposals.

在设置anchors的算法中，允许anchors比标注的接收区域大，从而达到当只有一部分物体可见时，仍然可以预测出物体的目的。

这里可以理解为，你的视野anchors比标注区域大，即你可以知道的比所要知道的区域大，可以通过已知的区域来正确地预测未知

的区域。

二、

During training, we ignore all cross-boundary anchors so they do not contribute to the loss. For a typical 1000 × 600 image, there will be roughly 20k (≈ 60 × 40 × 9) anchors in total. With the cross-boundary anchors ignored, there are about 6k anchors per image for training.

croos-boundary anchors 理解为  与原图像边界有交叉的anchors​​

当anchors与原图像边界交叉时，将其删除。因为anchors遍布在图片中，所以即使删除掉的这些anchors中会含有一些物体，但是

一定会有其他不与边界交叉的anchors中包含这些物体。因此，删除这些cross-boundary anchors 从而将anchors减少到6k。减少了

运算的时间。