Faster RCNN Review(2)：Label的生成

Label的生成(RPN)

RPN部分的Label，是连同数据增广，在送入网络训练之前就已经生成好的。由于检测需要解决的是2个问题：坐标的回归&坐标点的分类，自然地这里的Label包含的是2方面：分类Label的生成&回归Label的生成。本文先介绍分类Label的生成

单目标分类Label的生成（RPN）

假设原图大小为 $H\ast W$，有9个anchor，Feature Map stride为16，那么最终关于分类的样本维度为 H/stride * W/stride * numanchor，即 H/16 * W/16 * 9，下面将结合实际图例，说明分类样本产生的过程。

这里举例一种简单的情况：原图的大小为768 * 1024，为了适配网络（1024 * 1024），我们在底部补黑边(0,0,0)。图中只有1个框，坐标为$(x_0,y_0,x_1,y_1)=(266.24,241.664,1009.664,724.992)$，如下图所示。

这里先给出最终生成的，每个Anchor下的分类Label。其中-1代表Ignore，实际训练中不会回传该部分的梯度；0代表负样本，即背景；1代表正样本，即目标。

可以看到，大部分的Anchor，对应的Label，不是0就是-1，只有Anchor 6中有少部分的目标。但具体是为什么，而每个点对应的值是如何计算的，下面给出说明。
分类Label的生成，涉及到以下的变量：

• Anchor Map：上文提到的 ( W ∗ H ∗ 9