区域生成网络（RPN）学习

参考https://blog.csdn.net/qq_36269513/article/details/80421990

anchors锚

如下图，对于该图像每个位置，考虑9个候选窗口，这些候选窗口成为anchors。表示预先在可能出现的位置画框，后续方便筛选。

每个anhcor要分foreground和background

RPN运行机制

在Faster RCNN中，RPN的作用如下图：

一个特征图经过sliding window处理（即3*3卷积），得到256维特征，然后通过两次全连接得到结果2k个分数和4k个坐标。
每一维都会获得2个分数和4个坐标，2个分数分别是前景的分数和背景的分数，判断是不是物体。4个坐标是指对原图的偏移（x,y,w,h）。
对于特征图上的一个点，在原图上时一个框，点（锚点）的位置（偏移）和框的大小（比例），则需要以锚点画出k个框。

总结

通过一系列卷积得到公共特征图，经过一个3 x 3的卷积，然后经过两次1 x 1的卷积，每个结果包含2个分数和4个坐标，在根据预先定义的Anchors（不一定有物体），得到多个候选框（有物体）
分数用来判断预先定义的Anchors是否有物体，坐标用于修正原来的Anchors的位置和大小

通过RPN后便可得到foreground和background，便于后期处理