RPN网络中AnchorTargetCreator分析：
将20000多个候选的anchor选出256个anchor进行二分类和所有的anchor进行回归位置 。为上面的预测值提供相应的真实值。选择方式如下：
- 对于每一个ground truth bounding box (
gt_bbox)，选择和它重叠度（IoU）最高的一个anchor作为正样本。 - 对于剩下的anchor，从中选择和任意一个
gt_bbox重叠度超过0.7的anchor，作为正样本，正样本的数目不超过128个。 - 随机选择和
gt_bbox重叠度小于0.3的anchor作为负样本（等于0的不算，明白的告诉你里什么也没有）。负样本和正样本的总数为256。
对于每个anchor, gt_label 要么为1（前景），要么为0（背景），所以这样实现二分类。在计算回归损失的时候，只计算正样本（前景）的损失，不计算负样本的位置损失。
单阶段和两阶段：(区别是检测阶段是不是稠密检测，单阶段稠密检测，双阶段稀疏检测)
单阶段：在Overfeat中，对不同尺度的图像滑窗，得到区域特征，然后直接对这块特征进行目标分类和回归。
两阶段：而Faster RCNN是对特征图通过RPN先得到的前景建议，然后对这块特征图对应的多尺度的anchor的ROI去自适应池化到固定的size,再送去Fast RCNN检测头去分类和回归。
所谓的区域建议就是认为这块（3*3*256，是基于这个3*3区域的）某个anchor预定位置未知（agnostic）类别物体（前景 or 背景）的可能比较大(认为是 positive anchor)，对这块特征图（3*3区域的中心像素）关联的本Positive anchor，送去回归得到Region Proposal。
比如对于w*H= 2400的Feature map来说，Faster RCNN做区域建议时，首先用滑窗法比如1*1*256的filters，就得到2400*256_d的tensor，然后通过后面分两路级联Fcn（这个fcn作用就是将），一路得到2k scores(对anchor box二分类)判断是前景 or 背景，如果是前景，即将此k对应的anchor作为初始预测区域anchor_proposal，然后另一路得到4K coordinates，就是利用这个anchor_proposal去粗回归的Groundtruth位置，得到RPN最终的Region Proposal。(训练RPN时，随机采样256个anchors，其中positive ：negative = 1：1）
后面就是fast rcnn再去回归一次精确位置。
Faster RCNN的anchor理解：
Anchor点是在feature map上取的没错，但是anchor设置的时候有个base_size=16, 而这个16*16就是当前特征图上一点在原图上的感受野。
因此虽然anchor的思路是在特征图上设置，但是由于最终的anchor尺度都乘上了当前像素的感受野——base_size=16，因此anchor放置点数目是根据feature map大小，但是尺度是按原图像尺度设置的.
比如，原图上有一类目标大小约为200*200，假若featuremap上1像素对应图像上10*10，则只需要在特征图上放area = 20*20 = 400 pixels的anchor，此时把anchor再设置成ratios = 1:1，1:2， 2:1，就得到20*20，14*28，28*14。再对应上锚点的坐标即得到anchor的位置坐标（x1,y1,x2,y2）。