参考视频教程:  
 **深度学习之目标检测常用算法原理+实践精讲  **
Two-stage核心组件

一、Two-stage的两个核心组件

• CNN网络（主干网络）
• RPN网络

二、CNN网络设计原则

• 从简到繁再到简的卷积神经网络
• 多尺度特征融合的网络
• 更轻量级的CNN网络

三、RPN网络

• 区域推荐（Anchor机制）
• ROI Pooling
• 分类和回归

区域推荐（Anchor机制）

假设当前的feature map的大小为[n, c, w, h]，选择当前w*h大小的feature map上的每个点来作为一个锚点，也就是候选区域的中心点（称之为anchor），以每一个中心点来提取候选区域，候选区域通常会按照一定的比例去提取，对于Fast RCNN，有9个不同的尺度去提取，而对于整个w*h大小的feature map，我们会提取w*h*9个候选区域，然后通过真值对候选区域进行筛选，通过IOU来筛选候选区域，得到正样本（包含目标对象的区域）和负样本（不包含目标对象的区域），也就是如果真值和候选区域的重叠面积超过了0.7则为正样本，小于0.3为负样本，这里的0.7和0.3都是超参，可自行设定

ROI Pooling

• 输入：特征图、rois(1x5x1x1)以及ROI参数
• 输出：固定尺寸的feature map