在faster-r-cnn 中，因为引入rpn层，使得算法速度变快了不少，其实rpn主要作用预测的是
“相对的平移，缩放尺度”，rpn提取出的proposals通常要和anchor box进行拟合回归，就像
卡尔曼滤波一样，最终结果是基于观测量加上一个预测量。这里将的不错，公式和代码也
切合。
下面部分来源：http://www.cnblogs.com/dudumiaomiao/p/6560841.html
主要步骤，
回归/微调：
回归/微调的对象是什么？
(4) Bounding-box regression（边框回归）
那么经过何种变换才能从图11中的窗口P变为窗口呢？比较简单的思路就是：
和知乎 https://www.zhihu.com/question/42205480 的回答：
这里输出的并不是一个boundingbox的左上右下坐标，而是一个修改量（boundingbox regression）。在r-cnn的supplementary material中，给出了下面几个公式
这里面的
就是的anchor（高、宽、中心），而里面的
是rpn_bbox层输出的四个值，
就是修改之后的高、宽、中心。
作者：刘缘
链接：https://www.zhihu.com/question/42205480/answer/128259995
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。