Test过程：
1. 输入一张图片，放进已经训练好的RPN，能得到w*h*k个proposal的Object score和每一个proposal位置的修正，在这些proposal中将Object score进行排序，筛选出一定的proposal用作下边的输入，并完成proposal的修正
2. 利用前边RPN中conv layer,以及现在得到的ROI，经过ROI pooling layer，最终得到每一个ROI 的分类score
3. 用nms进行筛选，得到最终的bounding box，类别及其score
RPN Training过程：
1. 将所有可能的anchors跟ground truth进行比较，将与某个bounding box的ground truth重叠比例最大的记为正样本，剩余的anchor，如果其与某个标定重叠比例大于0.7，记为正样本；如果其与任意一个标定的重叠比例都小于0.3，记为负样本，其余的不用
2. 每次训练随机取一张图片，在这张图片上随机选取256个anchor，一半正样本，一半负样本组成mini-batch，（其实这256个anchor的选取只是影响了ground truth的标记值）
问题：faster R-CNN, RPN的过程，其实就是一个n*n(3*3)的卷积，加上两个独立的1*1的卷积，比如得到的conv feature是13*13*256， 然后3*3*356*256卷积，得到11*11*256，然后如果是预测物体存在的概率，是后边加一个1*1*256*(2*9)的卷积核，得到11*11*18，拆成9个11*11*2， 如果是预测框的位置，是后边加一个1*1*256*(4*9)的卷积核，得到11*11*36？ 拆成9个11*11*4
这样的话不是得到了这张图上所有的anchor的预测值和位置修正了吗？但训练的时候只选取了部分，所以具体BP的时候，是让未选中的那些向前传0，之所以选256个，是为了避免由于背景样本太多导致的偏移。
4-step Training:
1. 先训练RPN，得到图片经过修正后的proposal，用于后面的fast R-CNN
2. 用imageNet上pretrained model进行初始化，利用上边得到的proposal，进行训练
3. 利用2中训好的CNN，初始化RPN，固定相同的conv layer，只fine-tune RPN中独有的layer （得到conv feature后的layer）
4. 再利用3中的RPN得到的proposal，固定相同的conv layer，只fine-tune Detection中独有的layer(ROI pooling layer之后)
1. Faster R-CNN为什么比Fast R-CNN快？
（1） 共用了conv layer，只增加了3*3, 1*1的消耗，没引入额外的计算
（2） RPN，能得到更好的feature（因为这些feature是经过CNN训练，学习出来的），不需要像Fast R-CNN那样引入2000个proposal，300个大概就可满足
2. 为什么要RPN, classification单独先训练，再合起来？
如果一起训练，一开始，RPN得到的proposal还不是很好
3. anchor的选择？
需要根据数据分布来选，图片的长宽等
4. RPN得到的proposal，选score最高的那些作为后边的输入；训练后边的时候，再控制前景样本和背景样本的比例去训练。
