目录：
1. 序言
2.正文
2.1 关于ROI
2.2 关于RPN
2.3 关于anchor
3. 关于数据集合制作
4. 关于参数设置
5. 参考
1.序言
叽歪一下目标检测这个模型吧，这篇笔记是依据我对源码的阅读和参考一些博客，还有rbg的论文之后，这里描述一下个人对于faster-rcnn的一些微小的了解,只是总结一些关键点的理解. 首先看一下这张faster-rcnn整体的图:
2.正文
我们在细说这些关键节点的时候，首先让我们来看一下这个框架，这个图谱是引用的http://shartoo.github.io/RCNN-series/，并且下面的图片都来自于这里，在此处进行说明：
2.1 关于ROI & ROI pooling
ROI的全称为region of interest，俗称感兴趣区域，ROI用来提取我们感兴趣的区域，ROI的应用在一下几个方面:
1. 在训练模型的时候，ROI用来抽取所选区域样本.
2. 在模型预测时，由RPN提供的top300个建议区域.
其实比较关键的内容应该是ROI pooling 也就是兴趣区域池化层，这里完全可以单独的拿出来说一说，详细代码见roi_pooling_layer.cu实现，为什么说它很重要呢？
一般来说我们使用CNN做图片分类的时候，需要将待分类的图片缩放到统一大小，之所以这样做，是因为全链接（FCN）层对我们卷积后的特征图有大小限制，但是我们在使用faster-rcnn运行模型时，
并不需要对图下有大小限制，这就是ROI pooling层的贡献了，因为他会对我们特征图上的ROI区域，进行池化，首先我们要知道ROI的结构成份(left_x,left_y,height,width),ROI pooling 层会将特征图上的ROI区域缩放到符合
FCN层要求的大小，然后在进行分类和预测.
2.2 关于RPN
对于RPN，它在faster-rcnn模型中扮演角色就是通过对特征图进行初级的目标区域选取，通过预测给予最高的前300个最高的置信度的目标区域，然后fast-rcnn中特征图去获取建议的目标区域，进行分类和预测，那么RPN网络是如何实现这一功能的呢？
论文中的RPN网络接入的是经过5次卷积之后的特征图(vgg为例)，对于这些特征图，RPN会对特征图再使用一个k*k大小的卷积核（滑动窗口）（论文中提供的是k=3）进行卷积滑动，并且滑动窗口(指整个窗口的区域)中的位置都会映射到一个原图的对应的位置，并且由anchor提供了三种尺寸(128^2,256^2,512^2)，提供三种比例(1:1,1:2,2:1)，通过这些组合可以生成9种尺寸大小的区域，但是映射覆盖区域不能超出图像本身大小，这样就最多产生9个区域结果会分别被接入到cls预测层和reg归层，对于cls层，会通过预测的区域和目标区域（groud truth）进行一个IOU计算，如果IOU>0.7大于1则判断为目标，如果IOU<0.3则判断为背景,同时记录下他们的预测值，如果i在0.3~0.7之间，则是一个无法确定的预测，该区域就不加入到网络训练中.对于reg层会产生加入网络训练中的坐标信息边框回归过程，通过回归过程的训练，是的建议区域尽可能的接近groud truth（目标区域），最后将建议区域接入到ROI pooling层中全链接
2.3 关于anchor
anchor提供了三种尺寸(128^2,256^2,512^2)，提供三种比例(1:1,1:2,2:1)，通过这些组合可以生成9种组合尺寸大小的区域
3. 关于数据集合制作
关于数据集合的制作，我们先来描述一下数据集合的一些的有那些内容,我们就那官方提供的数据集合来说吧～，比如VOCdevkit2007 中的Annotations,ImageSets,JPEGImages，其他的我们可以不用看。
关于Annotations文件夹，文件夹下放置*.xml， JPEGImages放置*.jpg ，注意一个xml必须要对应一个jpg，ImageSets文件夹中放置var.txt,train.txt,trainval.txt,test.txt,还有各种*var.txt,*train.txt,*trainval.txt，这里的*填写标签名,
需要说明的几点，trainval.txt放置所有的图片名，train.txt放置trainval.txt一半的标签名，val.txt放置trainval.txt一半的标签.test.txt其实不要也可以. *var.txt,*train.txt,*trainval.txt 也是一样，这里还需要注意的一点就是 *var.txt,*train.txt,*trainval.txt 中的0,-1,1意思0表示这个图片中存在模糊的样本，1表示该图片中存在该标签的样本,-1表示该图片中存在该图片不存在该标签的样本.
框架图
4. 参考资料：
http://shartoo.github.io/RCNN-series/
http://blog.csdn.net/u013832707/article/details/53641055
faster-rcnn论文