RFCN的核心是通過修改roi pooling的位置，來增加共享參數的層，減少運算時間；
roi pooling位置的影響如下：
- 越靠近 Input - 對應 ROI-Wise 檢測子網越深，准確度也就越高；
- 越靠近 Output - 對應 ROI-Wise 子網越淺，針對每個 ROI 計算量就越小，效率提高；
而修改roi pooling位置到整個網絡最后端的理由則是：
RoI pooling 的插入，打破了原卷積網絡的平移不變性，所以用新的方法來彌補；
采用Position Sensitive 的 Score Map，Score Map 包含了位置信息
從基礎cnn提取的feature maps通過k^2(c+1)維的卷積核生成position sensitive score map,
然后通過roi pooling對roi分成k^2個區域，每個區域分別對應每個位置敏感得分圖所定的某個特定位置；
網絡結構核心部分score map如下：
實現過程，網絡的結構如圖：
21總類別，8坐標的個數。score mpa和bbox map的區別就在於每張圖的維度不同，其他都一樣。
參考自：https://blog.csdn.net/wfei101/article/details/79284512
https://www.cnblogs.com/shouhuxianjian/p/7710707.html