Faster Rcnn RPN代码解析

1、anchor_target_layer.py

首先产生K*A个anchor，K=w*h,w和h分别是map图的宽和高

然后去掉超出边界的anchor，剩下N个

利用剩下的N个anchor和N1个gt-box计算overlap，维度是N*N1

接下来定义正负样本，正样本为1，负样本为0，其余为-1，不参与反传，通常RPN的batch为256，选择cfg.TRAIN.RPN_FG_FRACTION * cfg.TRAIN.RPN_BATCHSIZE为最终正样本数量，如果已有的正样本超过这个数，删掉多余的正样本，cfg.TRAIN.RPN_BATCHSIZE - np.sum(labels == 1)，负样本数量这个样子来获得，一旦已有的负样本大于这个数，也是删掉多余的负样本，置位-1

最终返回全部anchor，只不过对应的标签大部分设置为-1，不参与最后的计算和反传了

2、proposal layer

利用已经生成的2*A张map图，和bbox预测来的坐标位移来生成proposal

对于每一个anchor，利用bbox的位移生成proposal

然后将超出边界的proposal减掉超出部分

根据每个anchor的得分，排序，选取topN个，经验是6000

然后nms之后选取topN个，经验是300，返回这300个proposal的坐标，并且在加上一个维度，设置为0，最后返回300*5个proposal

3、proposal_target_layer

首先利用传进来的proposal，决定哪些为正样本，哪些是负样本，最后剩下N张，返回N*1的label，N*5的rois，N*(4*cls)的bbox_targets,N*(4*cls)的bbox_inside_weights