RFCN的核心是通过修改roi pooling的位置，来增加共享参数的层，减少运算时间；
roi pooling位置的影响如下：
- 越靠近 Input - 对应 ROI-Wise 检测子网越深，准确度也就越高；
- 越靠近 Output - 对应 ROI-Wise 子网越浅，针对每个 ROI 计算量就越小，效率提高；
而修改roi pooling位置到整个网络最后端的理由则是：
RoI pooling 的插入，打破了原卷积网络的平移不变性，所以用新的方法来弥补；
采用Position Sensitive 的 Score Map，Score Map 包含了位置信息
从基础cnn提取的feature maps通过k^2(c+1)维的卷积核生成position sensitive score map,
然后通过roi pooling对roi分成k^2个区域，每个区域分别对应每个位置敏感得分图所定的某个特定位置；
网络结构核心部分score map如下：
实现过程，网络的结构如图：
21总类别，8坐标的个数。score mpa和bbox map的区别就在于每张图的维度不同，其他都一样。
参考自：https://blog.csdn.net/wfei101/article/details/79284512
https://www.cnblogs.com/shouhuxianjian/p/7710707.html