weixin_43436587的博客

1 Faster RCNN2RPN 网络注意的点（1）两次reshape的作用将（n,18,37,50）改为（n,2,37*9,50）,然后做softmax（intput，1），dim=1，第一维是batch，对第二维进行softmax，如图，这样两两一组，能把每一个特征点都分成前景与背景。在这之后，再把维度改回去。...

参考https://blog.csdn.net/weixin_41693877/article/details/107159304大概过程（1）生成所有anchor（2）根据回归得到的 偏移量预测数据，对生成的anchor进行修正，并且将超出原图边界之外部分的边框修正到边界，即proposal（3）利用网络预测的得分，对proposal进行排序，取靠前的部分。再对proposal进行NMS，取前2000个作为结果。1 生成所有anchorhttps://blog.csdn.net/weixin_

参考的代码注释理解https://blog.csdn.net/weixin_41693877/article/details/1070592871.产生anchorVGG16一共有5个pool层，我们选用第4个pool层的输出作为提取出来的特征图，这样相比于原图就缩小了16倍，即下采样倍数是16，输出特征图为原图的1/16。输入以(3×600×800)，因此输出特征图（,512,37,50），相当于每一个特征点对应一个16x16的图像区域。并且以16x16大小的区域作为基础单位，以ratios=[0.