py-faster-rcnn详解（5）——stage1_rpn_train.pt说明

    主要介绍了通过Alternating Optimization是如何训练RPN网络的。

    首先是由RoIDataLayer生成的各个blob——data、imfo、gt_boxes，该层由Python定义。

data就是原始图像，在这里被缩放成了一个某一边长为600的图像。（我这里原始图像是320 x 240，被放大成600 x 800，这里将小边放大成600.如果有一边超过1000，那么就采取其他措施……细节不多说了） 
im_info包括图像原始大小与缩放的比例 
gt_boxes包括标注数据集的各个box的(xmin,ymin,xmax,ymax)

    data被送入卷积网络，这个网络可以是ZF、VGG_16、VGG_CNN_M_1024等。 
conv5输出的blob将被送入一个核为3x3的卷积层rpn_conv3x3，经过Relu层以后，分别被送入两个核为1x1的卷积层（这里之所以用两个卷积层而不用全连接层就是为了减小计算量）。rpn_cls_score有18个output，分别代表9个anchor点的前景与背景的可能值，在320x240图像输入时，这里的H是36，w是61.也就是说它这里要对于每一个(H,W)位置点，都产生九个不同形状的anchor，在config中定义了一个feat_stride大小为16，你会发现这里的H x feat_stride以及W x feat_stride正好约等于rescale以后的每张图的大小。

    rpn_cls_score就是不断地被训练成一个能够产生在H x W这样一个feature map上每一个位置点的9个anchor的每一个的（前景/背景）概率值，也就是一共9 x H x W个评分。后面被Reshape了一下，是为了blob维度格式的对齐。然后通过rpn_data产生的label进行训练，你可以简单的这么理解：计算每个anchor与ground-truth box的重合度，如果够大，就认为是前景（label=1），如果足够小，就认为是背景（label=0），不大不小就忽略。

    接下来rpn_bbox_pred。不断地被训练成能生成9 x H x W个anchor上分别离最近的ground-truth box的四个偏移值——中心点x偏移了多少、中心点y偏移了多少、宽度（比例）差了多少、高度（比例）差了多少。这个rpn_bbox_target就是每个anchor与最近的ground-truth box的四个真实偏移值，inside_weight和outside_weight都是1.

    rpn主要工作机理是生成anchor，然后通过rpn_cls_score对其评估它到底是前景还是背景，再对anchor的具体位置再通过rpn_bbox_pred来细化精度估计。那么这里就能看出，rpn网络其实已经能够有效地对于物体的位置做一个大致的判断，只不过说不出这是哪个类，只能知道是背景还是前景，然后将其提交给fast rcnn网络进行细化判断。