简单回忆一下Fast RCNN的流程。Fast RCNN首先通过selective search，挑选出若干候选框，然后将候选框中的图片输入到卷积网络中提取特征，然后经过一个ROI pooling 层，将特征resize到相同大小。最后是一个multi-task模型，一部分是分类任务，区分对应图片是背景还是含有object，对应的object是什么；另一部分是一个回归任务，做了bbox regression。
Faster RCNN 与之前相比，重点在于提出了Region Proposal Network，可以利用卷积神经网络来提出候选框，取代之前的Selective Search的工作。Selective Search在很大程度上还是基于人工规则提取，比如说颜色、纹理等等特征，这些特征也属于比较底层的特征。SS方法在提取了大量的候选框以后，构造了一些方法来计算相似度，然后将相近区域融合在一起。提取的过程中计算量还是挺大的，也有很多的重复计算。所以Faster RCNN在速度上是有明显的提升的。
Faster rcnn的结构，先利用卷积网络提取图片的特征（feature map），然后分两个支路：
- RPN的支路，它的输出(y)就是很多候选框，它里面是否包含object，object属于哪一类，以及它的位置信息；
- 然后另一个支路根据这些候选框提取特征，过roi pooling 层
- 然后就有一个classifier，告诉你这里面是不是有object。
我们看RPN的结构，从feature map （假设是M \times M \times channels）的每个n\times n\times channels的块作为输入。（很像那种把图片一点一点切片丢进卷积网络的那种做法。）怎么弄成256-d的向量呢，找256个对应size的filter就可以了。
关于anchor box。我看了一下Andrew Ng的视频，他里面讲anchor大概是这样的，首先原图分成了很多grid，然后一个anchor（矩形框）可以通过这个矩形框在这个grid的中的位置，矩形框的长、宽和grid的size的比值来表示。这里有y的定义就相对好理解。y_i=(p_c,b_x,b_y,b_w,b_h,c_1, c_2,c_3),y=(y_1,y_2,...,y_k).每个y_i对应一个anchor，p_c对应是否是object，c_1表示是否属于第一类。在一个grid里面对应有多个anchor，这是因为可能有多个object的中心都在一个grid里面（比如人和车），那不同size和面积的anchor可以分出不同的object。当然如果object多于anchor数量之类还是挺难的。
在Faster RCNN中使用 multi-scale anchor 来取代multi-scale filter 和multi-scale image. 为什么multi-scale anchor的效果好呢?一个小的揣测：可能用不同的filter，感受野不同，然后可以反推出框的scale；但相同的filter也可以同样的提取足够的特征信息，知道这个地方有没有这件物体，也可以学到这个感受野内的图像信息这是局部信息还是整体信息，选择相应的scale。
训练RPN：损失函数的定义，考虑到y的定义其实很好理解为什么要在回归的部分乘上p_c，如果是背景，就不存在回归bbox的问题了嘛。bounding box regression:
RPN如何与Fast CNN共享卷积层：使用了交替训练的方法
- 利用一个预训练的网络初始，训练RPN网络；
- 训练一个Fast RCNN网络，它的候选框由第一步的RPN网络给出；
- 利用第2步训练出的detection网络来初始化RPN，固定共享的卷积层，只在与RPN有关的层上fine-tuning
- 在只与Fast-RCNN相关的层上fine-tuning。
当然可以迭代的进行这些操作，不过通过实验迭代并没有带来很多变化。
