目錄：
1. 序言
2.正文
2.1 關於ROI
2.2 關於RPN
2.3 關於anchor
3. 關於數據集合制作
4. 關於參數設置
5. 參考
1.序言
嘰歪一下目標檢測這個模型吧，這篇筆記是依據我對源碼的閱讀和參考一些博客，還有rbg的論文之后，這里描述一下個人對於faster-rcnn的一些微小的了解,只是總結一些關鍵點的理解. 首先看一下這張faster-rcnn整體的圖:
2.正文
我們在細說這些關鍵節點的時候，首先讓我們來看一下這個框架，這個圖譜是引用的http://shartoo.github.io/RCNN-series/，並且下面的圖片都來自於這里，在此處進行說明：
2.1 關於ROI & ROI pooling
ROI的全稱為region of interest，俗稱感興趣區域，ROI用來提取我們感興趣的區域，ROI的應用在一下幾個方面:
1. 在訓練模型的時候，ROI用來抽取所選區域樣本.
2. 在模型預測時，由RPN提供的top300個建議區域.
其實比較關鍵的內容應該是ROI pooling 也就是興趣區域池化層，這里完全可以單獨的拿出來說一說，詳細代碼見roi_pooling_layer.cu實現，為什么說它很重要呢？
一般來說我們使用CNN做圖片分類的時候，需要將待分類的圖片縮放到統一大小，之所以這樣做，是因為全鏈接（FCN）層對我們卷積后的特征圖有大小限制，但是我們在使用faster-rcnn運行模型時，
並不需要對圖下有大小限制，這就是ROI pooling層的貢獻了，因為他會對我們特征圖上的ROI區域，進行池化，首先我們要知道ROI的結構成份(left_x,left_y,height,width),ROI pooling 層會將特征圖上的ROI區域縮放到符合
FCN層要求的大小，然后在進行分類和預測.
2.2 關於RPN
對於RPN，它在faster-rcnn模型中扮演角色就是通過對特征圖進行初級的目標區域選取，通過預測給予最高的前300個最高的置信度的目標區域，然后fast-rcnn中特征圖去獲取建議的目標區域，進行分類和預測，那么RPN網絡是如何實現這一功能的呢？
論文中的RPN網絡接入的是經過5次卷積之后的特征圖(vgg為例)，對於這些特征圖，RPN會對特征圖再使用一個k*k大小的卷積核（滑動窗口）（論文中提供的是k=3）進行卷積滑動，並且滑動窗口(指整個窗口的區域)中的位置都會映射到一個原圖的對應的位置，並且由anchor提供了三種尺寸(128^2,256^2,512^2)，提供三種比例(1:1,1:2,2:1)，通過這些組合可以生成9種尺寸大小的區域，但是映射覆蓋區域不能超出圖像本身大小，這樣就最多產生9個區域結果會分別被接入到cls預測層和reg歸層，對於cls層，會通過預測的區域和目標區域（groud truth）進行一個IOU計算，如果IOU>0.7大於1則判斷為目標，如果IOU<0.3則判斷為背景,同時記錄下他們的預測值，如果i在0.3~0.7之間，則是一個無法確定的預測，該區域就不加入到網絡訓練中.對於reg層會產生加入網絡訓練中的坐標信息邊框回歸過程，通過回歸過程的訓練，是的建議區域盡可能的接近groud truth（目標區域），最后將建議區域接入到ROI pooling層中全鏈接
2.3 關於anchor
anchor提供了三種尺寸(128^2,256^2,512^2)，提供三種比例(1:1,1:2,2:1)，通過這些組合可以生成9種組合尺寸大小的區域
3. 關於數據集合制作
關於數據集合的制作，我們先來描述一下數據集合的一些的有那些內容,我們就那官方提供的數據集合來說吧～，比如VOCdevkit2007 中的Annotations,ImageSets,JPEGImages，其他的我們可以不用看。
關於Annotations文件夾，文件夾下放置*.xml， JPEGImages放置*.jpg ，注意一個xml必須要對應一個jpg，ImageSets文件夾中放置var.txt,train.txt,trainval.txt,test.txt,還有各種*var.txt,*train.txt,*trainval.txt，這里的*填寫標簽名,
需要說明的幾點，trainval.txt放置所有的圖片名，train.txt放置trainval.txt一半的標簽名，val.txt放置trainval.txt一半的標簽.test.txt其實不要也可以. *var.txt,*train.txt,*trainval.txt 也是一樣，這里還需要注意的一點就是 *var.txt,*train.txt,*trainval.txt 中的0,-1,1意思0表示這個圖片中存在模糊的樣本，1表示該圖片中存在該標簽的樣本,-1表示該圖片中存在該圖片不存在該標簽的樣本.
框架圖
4. 參考資料：
http://shartoo.github.io/RCNN-series/
http://blog.csdn.net/u013832707/article/details/53641055
faster-rcnn論文