Faster R-CNN：RPN与ROI的计算

Faster R-CNN使用RPN(Region Proposal Network)算法代替原来的Selective Search方法产生候选框（RPN层放在最后一个卷积层的后面），且产生候选框的CNN网络和目标检测的CNN网络是同一个CNN网络。这使得候选框的数目从原有的约2000个减少为300个，且建议框的质量也有本质的提高。

Faster R-CNN的结构主要分为三大部分：
第一部分是共享的卷积层-backbone，第二部分是候选区域生成网络-RPN，第三部分是对候选区域进行分类的网络-classifier。RPN与classifier部分均对目标框有修正。classifier部分就是Fast R-CNN结构。

前面的CNN网络不一定要是VGG，也可以用5层CNN网络的ZFNet。
RPN层（Region Proposal Network，区域生成网络 ）：
Anchor：
Anchor实际上指的是预先设置好长宽比与面积的候选框。但是这种候选框产生的机制与Selective Search算法不一样。在论文中，作者为每一个位置生成9种anchor，包含三种面积(128×128，256×256，512×512)，每种面积又包含三种长宽比(1:1，1:2，2:1)。
原始图像先进入CNN网络后在最后一个卷积层（RPN层的前一个卷积层）输出了256个通道的fea