在faster-r-cnn 中，因為引入rpn層，使得算法速度變快了不少，其實rpn主要作用預測的是
“相對的平移，縮放尺度”，rpn提取出的proposals通常要和anchor box進行擬合回歸，就像
卡爾曼濾波一樣，最終結果是基於觀測量加上一個預測量。這里將的不錯，公式和代碼也
切合。
下面部分來源：http://www.cnblogs.com/dudumiaomiao/p/6560841.html
主要步驟，
回歸/微調：
回歸/微調的對象是什么？
(4) Bounding-box regression（邊框回歸）
那么經過何種變換才能從圖11中的窗口P變為窗口呢？比較簡單的思路就是：
和知乎 https://www.zhihu.com/question/42205480 的回答：
這里輸出的並不是一個boundingbox的左上右下坐標，而是一個修改量（boundingbox regression）。在r-cnn的supplementary material中，給出了下面幾個公式
這里面的
就是的anchor（高、寬、中心），而里面的
是rpn_bbox層輸出的四個值，
就是修改之后的高、寬、中心。
就是的anchor（高、寬、中心），而里面的
是rpn_bbox層輸出的四個值，
就是修改之后的高、寬、中心。
作者：劉緣
鏈接：https://www.zhihu.com/question/42205480/answer/128259995
來源：知乎
著作權歸作者所有。商業轉載請聯系作者獲得授權，非商業轉載請注明出處。