Anchors以三种尺度128128、252256、512*512 ) 三种纵横比) 1:1、1:2、2:1 )，如下图所示，在RPN网络中的特征地图中
然后，根据图像的大小计算滑动窗口的中心点与原区域对应的中心点，根据中心点和size可以得到滑动窗口的位置和原位置的映射关系，根据该原位置与Ground Truth的重复率贴上正负的标签，在RPN上贴上其aan
2、RPN网络
RPN网络前面的五楼租用了ZF网络。 把这个网络的结构图往下切，分析为什么是这样的。
1、首先，输入图像大小为2242243 该3为3通道，即RGB种)。
2、且第一层卷积核维数为773*96。 因此，请认识到卷积核都是四维的。 在caffe的矩阵计算中就是这样实现的。 ）
3、因此，conv1得到的结果来自11011096 该110为) 224-7 pad )/2 1。 这个pad是常见的填充，即在图像周围补充像素。 这是为了能被整除，因为用2整除是图中的stride。 这种计算方法在上面建议的文档中有说明和推导)
4、然后进行一次池化，得到pool1。 由于池化核的大小为33，因此池化后的图像的维度为5555*96110-3pad )/2 1=55 ) ) ) ) ) ) ) 652 )
5、然后接下来再折叠一次。 这次卷积核的维数为5596256，得到conv2:2626*256；
6、因为接下来是类似的过程，所以不详细地一步一步计算。 请注意，有不能除法的地方。 作者正在填充。 在caffe的prototxt文件中，可以看到每一层的pad大小。
7、最后作者取了conv5的输出，也就是1313256发送到RPN网络的；
让我们来看看RPN部分的结构：
1、前面指出，这个conv feature map的维度是1313256；
2、作者在文章中，滑动窗口大小为33，那么如何得到这个256-d的向量呢？ 这很简单。 有了四维卷积核如33256256 )，每个3*3滑动窗口都可以卷积到256维向量中。
在这里读者要注意哦。 作者在这里描绘的形象只是针对滑动窗口的； 在实际实现中，我们有很多滑动窗口，所以我们可能很清楚得到的不是一维256-d向量，而是写为for循环实际上还是三维矩阵数据结构)进行滑动窗口
3、然后k=9，所以cls layer是18个输出节点。 在中，在256-d和cls层之间使用1125618的卷积核心可以获得cls层。 当然，这个1125618的卷积核心是大家平时理解的全连接； 因此，全连接是卷积操作的特殊情况卷积核大小为1*1时)；
4、reg layer也一样。 由于reg layer的输出为36个，因此对应的卷积核为11256*36。 这样可以得到reg layer的输出。
5、然后cls layer和reg layer跟随自己的损失函数，给出损失函数值，同时根据求导结果给出反向传播的数据