紧接着之前的博客，我们继续来看faster rcnn中的AnchorTargetLayer层：
该层定义在lib>rpn>中，见该层定义：
首先说一下这一层的目的是输出在特征图上所有点的anchors（经过二分类和回归）；
（1）输入blob：bottom[0]储存特征图信息，bottom[1]储存gt框坐标,bottom[2]储存im_info信息；
（2）输出blob：top[0]存储anchors的label值（fg是1,bg是0,-1类不关心）,top[1]存储的是生成的anchors的回归偏移量，即论文中的tx,ty,tw,th四个量（所以说整个faster rcnn总共两次bbox回归，第一次在RPN中，第二次在fast rcnn中），top[2]和top[3]分别存储的是bbox_inside_weights和bbox_outside_weights，这两者的具体形式后面再说，作用还不是很清楚；
好的，先进入层的setup函数：
该函数通过解析父类对自己的一些参数进行初始化，同时定义该层的输入输出blob;
该函数中要注意的是generate_anchors()函数，它的作用是产生对应与特征图上最左上角那个点的九种anchor（尺寸对应与输入图像），这9个anchor在后面被用来产生所有图像上的anchors，进入generate_anchors（）函数：
三种长宽比（0.5,1,2）和三种参考尺寸（128,256,512）形成了九种anchors（注意这里只是参考尺寸，是用来计算anchors尺寸时用到的三种规格，并不是说anchors的规格就是这三种）；
接着向下看该层的前向传播函数forward函数：
这里获得输入bottom[0]、bottom[1]、bottom[2],继续：
这里的shift_x和shift_y分别对应x和y轴上的偏移量，用在之前说过的用generate_anchors（）函数生成的最左上角的anchors上，对其进行偏移，从而获得所有图像上的anchors；all_anchors用来存储所有这些anchors，total_anchors用来存储这些anchors的数量K×A,其中，K是输入图像的num,A是一幅图像上anchor的num；之后作者还对这些anchors进行了筛选，超出图像边界的anchors都将其丢弃～继续：
这一部分主要就是获得这些anchors和对应gt的最大重叠率的情况，以及正样本的划分标准：a.对于每一个gt，重叠率最大的那个anchor为fg；b,对于每一个gt，最大重叠率大于0.7的为fg；
cfg.TRAIN.RPN_CLOBBER_POSITIVE则涉及到一种情况，即如果最大重叠率小于cfg.TRAIN.RPN_NEGATIVE_OVERLAP=0.3,则到底正还是负，这里的cfg.TRAIN.RPN_CLOBBER_POSITIVE默认是False；
继续：
这一部分是说，如果我们得到的正样本或者负样本太多的话，那么就选取一定数量的，丢弃一定数量的anchors，应该是为了加速（这里的选取方法也很直接，就是随机选取），继续：
这一部分是生成bbox_targets、bbox_inside_weights、bbox_inside_weights；其中对于bbox_targets，它这里是调用了_compute_targets()函数，见：
在该函数又接着调用了bbox_transform函数，见：
从而得到了论文中所需要的四个偏移量tx,ty,tw,th四个量；
而对于后两个bbox_inside_weights和bbox_outside_weights，函数中定义的是bbox_inside_weights初始化为n×4的0数组，然后其中正样本的坐标的权值均为1；而bbox_outside_weights同样的初始化，其中正样本和负样本都被赋值1/num(anchors的数量)，还有另一种非统一的赋值方式在else中，这里就不说了；继续：
这里则是通过_unmap()函数实现将之前在所有图像上产生的anchors都赋上label、bbox_targets、bbox_inside_weights、bbox_outside_weights属性，见该函数：
之后会把这些属性信息经过reshape封装进该网络层的输出blob，即top[0]、top[1]、top[2]、top[3]中；之后：
由于该层不需要反向传播，所以backward函数也不需要写了，在前向传播中已经reshape了，就不用再写reshape函数了～
好了，到此，AnchorTargetLayer层的定义就写到这儿，若有错误请指出～
（转载请注明出处）