目标检测之RPN

参考：https://blog.csdn.net/u011746554/article/details/74999010

（Region Proposal Network)区域生成网络

RPN网络中利用anchors和softmax初步提取出foreground anchors作为候选区域。

1）
layer {
name: “rpn_cls_score”
type: “Convolution”
bottom: “rpn/output”
top: “rpn_cls_score”
convolution_param {
num_output: 18 # 2(bg/fg) * 9(anchors)
kernel_size: 1 pad: 0 stride: 1
}
}
那么为何要在softmax前后都接一个reshape layer？
便于softmax分类，

从caffe的实现形式说起，在caffe基本数据结构blob中以如下形式保存数据：
blob=[batch_size, channel，height，width]

对应至上面的保存bg/fg anchors的矩阵，其在caffe blob中的存储形式为[1, 29, H, W]。
而在softmax分类时需要进行fg/bg二分类，所以reshape layer会将其变为[1