RPN網絡中AnchorTargetCreator分析：
将20000多個候選的anchor選出256個anchor進行二分類和所有的anchor進行回歸位置 。為上面的預測值提供相應的真實值。選擇方式如下：
- 對于每一個ground truth bounding box (
gt_bbox
- 對于剩下的anchor，從中選擇和任意一個
gt_bbox
- 随機選擇和
gt_bbox
對于每個anchor, gt_label 要麼為1（前景），要麼為0（背景），是以這樣實作二分類。在計算回歸損失的時候，隻計算正樣本（前景）的損失，不計算負樣本的位置損失。
單階段和兩階段：(差別是檢測階段是不是稠密檢測，單階段稠密檢測，雙階段稀疏檢測)
單階段：在Overfeat中，對不同尺度的圖像滑窗，得到區域特征，然後直接對這塊特征進行目标分類和回歸。
兩階段：而Faster RCNN是對特征圖通過RPN先得到的前景建議，然後對這塊特征圖對應的多尺度的anchor的ROI去自适應池化到固定的size,再送去Fast RCNN檢測頭去分類和回歸。
所謂的區域建議就是認為這塊（3*3*256，是基于這個3*3區域的）某個anchor預定位置未知（agnostic）類别物體（前景 or 背景）的可能比較大(認為是 positive anchor)，對這塊特征圖（3*3區域的中心像素）關聯的本Positive anchor，送去回歸得到Region Proposal。
比如對于w*H= 2400的Feature map來說，Faster RCNN做區域建議時，首先用滑窗法比如1*1*256的filters，就得到2400*256_d的tensor，然後通過後面分兩路級聯Fcn（這個fcn作用就是将），一路得到2k scores(對anchor box二分類)判斷是前景 or 背景，如果是前景，即将此k對應的anchor作為初始預測區域anchor_proposal，然後另一路得到4K coordinates，就是利用這個anchor_proposal去粗回歸的Groundtruth位置，得到RPN最終的Region Proposal。(訓練RPN時，随機采樣256個anchors，其中positive ：negative = 1：1）
後面就是fast rcnn再去回歸一次精确位置。
Faster RCNN的anchor了解：
Anchor點是在feature map上取的沒錯，但是anchor設定的時候有個base_size=16, 而這個16*16就是目前特征圖上一點在原圖上的感受野。
是以雖然anchor的思路是在特征圖上設定，但是由于最終的anchor尺度都乘上了目前像素的感受野——base_size=16，是以anchor放置點數目是根據feature map大小，但是尺度是按原圖像尺度設定的.