网络结构

1. 图像被缩放到最短边600像素，3通道
2. 经过卷积网络（ZF模型、VGG16模型)。以ZF模型为例，每次卷积使用padding因此不改变图像尺寸，仅在pooling时长宽缩小一半，因此经过卷积网络后得到的Feature中，每个点对应原图16×16区域的信息
3. Feature进行共享，RPNs和ROI Pooling均使用此信息，RPNs由此信息产生Region Proposal(RP)
4. RP与Feature通过ROI Pooling后产生N个特征图
5. 计算每个特征图的分类和边框

RPNs

接收到的尺寸为50x38x256的Feature，经过3x3x512卷积变为50x38x512，然后进入两个不同分支

1. 分类网络，首先经过1x1x18卷积层【18=（前景/背景）两个分类x9个Anchor】，然后通过softmax选出前景区域
2. 回归网络，首先经过1x1x36卷积层【36=（x,y偏移量+w,h缩放量）四个变量x9个Anchor】
   汇总分类网络和回归网络的信息，得到RP

RP总数量为50x38x9个，去除背景项后数量小于17100个，经过nms=0.7后数量约为2000+，取TopN作为输出（在文章中，N=300效果最优）