一、Faster-RCNN基本结构
该网络结构大致分为三个部分：卷积层得到高位图像特征feature maps、Region Proposal Network得到候选边框、classifier识别出物体及得到准确bounding box。
二、feature maps
最后一层卷积层输出。
三、RPN
1、RPN（Region Proposal Networks）
feature maps再以3x3的卷积核进行卷积得到256xHxW的高维特征图，每个高维像素点对应原图9个anchor boxes（长宽比3种情况，boxes大小也有3种情况），共有WH*9 个anchors。接着将256xHxW的高维特征图一方面用18通道输出的1x1的卷积核将对应的anchor boxs进行前景背景分类，另一方面用36通道输出的1x1卷积核对判定为前景的anchor进坐标修正。
训练前景背景分类的时候，需要获取每个anchor的标签，当anchor box与ground truth的IOU在0.3以下，判定为背景，当anchor box与ground truth的IOU在0.7以上，判定为前景，其他情况不用于训练。在训练anchor属于前景与背景的时候，是在一张图中，随机抽取了128个前景anchor与128个背景anchor。采用SoftmaxWithLoss进行训练。
训练方框回归的时候，
也需要获取每个anchor的标签，即每个anchor到ground truth的Gx，Gy，Gw，Gh。训练时只要训练判定为前景的anchor就好了，采用SmoothL1loss进行训练，具体可以描述为：
总的损失函数为：
在这里λ被设置为10，Ncls为256（前景背景分类的正负样本分别为128），Nreg为2400（一般feature map的宽高为60x40）。这样设置的话，RPN的两部分loss值能保持平衡。
2、NMS
得到判定为前景的anchor后，会进行一次非极大值抑制（Non-Maximum Suppression，NMS）去除重叠的proposal。NMS原理参考：https://www.cnblogs.com/makefile/p/nms.html
四、classifier
1、ROI pooling
对于每个RoI而言，需要从共享卷积层上摘取对应的特征，并且送入全连接层进行分类。因此，RoI Pooling主要做了两件事，第一件是为每个RoI选取对应的特征，第二件事是为了满足全连接层的输入需求，将每个RoI对应的特征的维度转化成某个定值。例如将feature maps按水平和竖直方向六等分，再用最大池化转换，得到宽高为6x6。
2、分类与边框修正
将每个ROI输入进行分类及边框修正。分类这时要识别具体物体了，共分为C+1类（算上背景）。训练边框修正，同样使用SmoothL1loss损失函数，总体损失函数如下，其中r取1：
五、参考：
实例分割模型Mask R-CNN详解：从R-CNN，Fast R-CNN，Faster R-CNN再到Mask R-CNN - jiongnima的博客 - CSDN博客 https://blog.csdn.net/jiongnima/article/details/79094159