緊接着之前的博客，我們繼續來看faster rcnn中的AnchorTargetLayer層：
該層定義在lib>rpn>中，見該層定義：
首先說一下這一層的目的是輸出在特征圖上所有點的anchors（經過二分類和回歸）；
（1）輸入blob：bottom[0]儲存特征圖信息，bottom[1]儲存gt框坐標,bottom[2]儲存im_info信息；
（2）輸出blob：top[0]存儲anchors的label值（fg是1,bg是0,-1類不關心）,top[1]存儲的是生成的anchors的回歸偏移量，即論文中的tx,ty,tw,th四個量（所以說整個faster rcnn總共兩次bbox回歸，第一次在RPN中，第二次在fast rcnn中），top[2]和top[3]分別存儲的是bbox_inside_weights和bbox_outside_weights，這兩者的具體形式后面再說，作用還不是很清楚；
好的，先進入層的setup函數：
該函數通過解析父類對自己的一些參數進行初始化，同時定義該層的輸入輸出blob;
該函數中要注意的是generate_anchors()函數，它的作用是產生對應與特征圖上最左上角那個點的九種anchor（尺寸對應與輸入圖像），這9個anchor在后面被用來產生所有圖像上的anchors，進入generate_anchors（）函數：
三種長寬比（0.5,1,2）和三種參考尺寸（128,256,512）形成了九種anchors（注意這里只是參考尺寸，是用來計算anchors尺寸時用到的三種規格，並不是說anchors的規格就是這三種）；
接着向下看該層的前向傳播函數forward函數：
這里獲得輸入bottom[0]、bottom[1]、bottom[2],繼續：
這里的shift_x和shift_y分別對應x和y軸上的偏移量，用在之前說過的用generate_anchors（）函數生成的最左上角的anchors上，對其進行偏移，從而獲得所有圖像上的anchors；all_anchors用來存儲所有這些anchors，total_anchors用來存儲這些anchors的數量K×A,其中，K是輸入圖像的num,A是一幅圖像上anchor的num；之后作者還對這些anchors進行了篩選，超出圖像邊界的anchors都將其丟棄～繼續：
這一部分主要就是獲得這些anchors和對應gt的最大重疊率的情況，以及正樣本的划分標准：a.對於每一個gt，重疊率最大的那個anchor為fg；b,對於每一個gt，最大重疊率大於0.7的為fg；
cfg.TRAIN.RPN_CLOBBER_POSITIVE則涉及到一種情況，即如果最大重疊率小於cfg.TRAIN.RPN_NEGATIVE_OVERLAP=0.3,則到底正還是負，這里的cfg.TRAIN.RPN_CLOBBER_POSITIVE默認是False；
繼續：
這一部分是說，如果我們得到的正樣本或者負樣本太多的話，那么就選取一定數量的，丟棄一定數量的anchors，應該是為了加速（這里的選取方法也很直接，就是隨機選取），繼續：
這一部分是生成bbox_targets、bbox_inside_weights、bbox_inside_weights；其中對於bbox_targets，它這里是調用了_compute_targets()函數，見：
在該函數又接着調用了bbox_transform函數，見：
從而得到了論文中所需要的四個偏移量tx,ty,tw,th四個量；
而對於后兩個bbox_inside_weights和bbox_outside_weights，函數中定義的是bbox_inside_weights初始化為n×4的0數組，然后其中正樣本的坐標的權值均為1；而bbox_outside_weights同樣的初始化，其中正樣本和負樣本都被賦值1/num(anchors的數量)，還有另一種非統一的賦值方式在else中，這里就不說了；繼續：
這里則是通過_unmap()函數實現將之前在所有圖像上產生的anchors都賦上label、bbox_targets、bbox_inside_weights、bbox_outside_weights屬性，見該函數：
之后會把這些屬性信息經過reshape封裝進該網絡層的輸出blob，即top[0]、top[1]、top[2]、top[3]中；之后：
由於該層不需要反向傳播，所以backward函數也不需要寫了，在前向傳播中已經reshape了，就不用再寫reshape函數了～
好了，到此，AnchorTargetLayer層的定義就寫到這兒，若有錯誤請指出～
（轉載請注明出處）