一直不知道7×7的網格到底是幹什麼的，不就是結果預測7×7×2個框嗎，這跟把原圖分成7×7有什麼關係？不分成7×7就不能預測7×7×2個框嗎？

之前跟一個朋友討論，他說7×7的網格是作為迴歸框的初始位置，我後來的很長一段時間一直這麼認為，後來想想不對啊，bbox的初始位置不是根據各層的權重得到的嗎？各層權重是隨機初始化的，7×7的grid怎麼能作為bbox的初始位置？我腦子被驢踢了麼，竟然一直這麼認為。

看了原始碼之後又看了faster-rcnn的論文中關於rpn的介紹，又看了rpn的程式碼，然後豁然開朗，我們來分析一下

一、YOLO

首先你應該看完YOLO原始碼詳解（三）- 前向傳播（forward）

二、PRN的anchors

YOLO中的理解了，我們再來看一下PRN中的anchors，如下圖所示：

假設原始影象尺寸是1000×600，最左邊的一層就是VGG的第5層卷積層，下一層是rpn_conv/3*3層，千萬不要被他迷惑了，說是rpn_conv/3×3其實還是普通的卷積層，也就是說這裡跟普通的卷積層沒有任何區別，這裡的輸出是64×39×512，在這裡，每個feature map一共有64×39個點，這裡每個點對應到原始影象上是16×16的區域（注意這裡並不是感受野），16×16怎麼算出來的呢？ceil(1000/64)×ceil(600/39)，為什麼向上取整呢？因為有padding啊～

假設每個點要搞到9個anchors，也就是原始影象上每隔16×16的區域就搞9個網格，因為這9個網格大小不一樣，就取名叫anchors，這裡是不是跟YOLO一樣了？只不過YOLO整副圖就搞了7×7個網格。到這裡是不是豁然開朗了，兩種演算法有異曲同工之妙。

繼續往下走，rpn_cls_score層，這裡輸出39×64×18，每個位置有9個anchors，預測每個anchor是否是物體，所以是2×9=18，繼續到了rpn-data層（就是AnchorTargetLayer層，層的結構如下prototxt），這一層就是要算IOU的，也就是體現了：grid和anchor的唯一作用就是為了計算IOU，從而來確定正負樣本。

layer {
  name: 'rpn-data'
  type: 'Python'
  bottom: 'rpn_cls_score'
  bottom: 'gt_boxes'
  bottom: 'im_info'
  bottom: 'data'
  top: 'rpn_labels'
  top: 'rpn_bbox_targets'
  top: 'rpn_bbox_inside_weights'
  top: 'rpn_bbox_outside_weights'
  python_param {
    module: 'rpn.anchor_target_layer'
    layer: 'AnchorTargetLayer'
    param_str: "'feat_stride': 16"
  }
}

(END)