0 引言
目标检测包含2个基本问题：分类和定位。 分类比较好做， 分类任务是深度学习解决的最好的一类任务。 定位则要困难一些，最简单的方式是通过滑窗， 窗口滑动到某个位置也就完成了定位， 然后通过分类判断窗口内有无目标以及是什么目标即可。 但这个方法显然太简单粗暴， 会存在2个问题：
1）滑窗要想覆盖所有目标， 窗口必须足够密， 这就导致计算量非常大， 且大多数窗口是不包含目标的， 计算非常浪费；
2）窗口的尺度很难确定， 不同目标具有不同的尺度， 要想覆盖的全，窗口尺度也必须足够丰富。
总之， 滑动窗口的做法理论上是可行的， 但是由于计算量太大， 是不实用的。
更加高级一点的做法是选择性搜索（Seletect search）。它的思想是只选择有潜在目标的区域， 抛弃掉大部分没有目标的区域。 因此极大地减少了无用功， 提高了检测的效率。 常用的方法是利用图像中的颜色， 纹理， 形状等特征对图像进行分割。
RPN最早在Faster-RCNN 中被提出， 在此之前， 包括RCNN, Fast-RCNN， 以及其他基于传统机器学习的检测网络， 都有一个单独的Seletect search的过程， 这个过程一般是离线进行的， 并且是独立于检测网络的。
Select search有一个明显的问题是， 它一般都是采用传统的方法去做的， 并且是独立于检测网络的。 这有2个问题： 1）传统的方法不可学习， 且效果比较依赖于经验； 2) 无法和检测网络端到端的优化，很难保证全局最优。
RPN就是为解决select search的上述问题而设计的。 RPN模块也采用了CNN的结构， 并且和检测网络结合在一起， 可以端到端的优化。
1 RPN的原理
通俗点讲，RPN就是用神经网络(一般就是CNN)的方法提取出目标的候选区域， 给后续检测网络进行精细的微调。 在2D检测的场景下， 确定一个目标的框需要4个量，确定一个框里有没有目标需要2个量(二分类)。 有了这些信息， 就能挑选出有目标的潜在区域， 并且完成了初步的定位， RPN的使命也就完成了。
实际上， 检测框的4个量一般不是直接回归得到的，因为直接预测真值的难度大，预测的很不准， 实际中一般都是预测相对某个基准的偏移量， 在偏移量较小的时候， 这个偏移近似线性， 预测的难度大大降低， 预测的也就更准。 那么问题来了， 参考的基准是什么呢？这个基准就是， RPN是在特征图上去做的， 对特征图上的每一个点， 映射到原图对应一个区域（比如8×8， 16×16, 取决于CNN提取特征图时下采样的倍数， 我们以这个区域的中心点为锚点， 预先放置一些框(比如Faster-RCNN 就设置了不同尺度以及不同宽高比的9个框)， 这些框就是所谓的anchor， 以这些anchor作为参考的基准。 再把预测的偏移量作用在这些基准框上， 就得到了预测的候选框。
RPN的图示如下， 首先原始图像经过特征提取网络得到feataure map， 在每个feature map上， 我们可以预测一个框的4个坐标值(偏移量)，以及是不是目标; feature map上每个点对应原图的一个区域， 以原图区域的中心点为锚点， 可以放置4个预选框，这些预选框是规整的放置的， 跟目标没有任何关系。把这些框与预测值进行结合， 就得到了真实的预选框。可以看出，
RPN的预测量就是为了对预先设置的框进行一些移位和缩放的操作， 让这些框更贴近真实目标
。
注： 图中为了清晰起见， 只画出了feature map中一个点的信息。 实际上每个feature map点都对应这样的一个信息。
2 Faster-RCNN 中的RPN
Faster RCNN的网络结构如下图所示， 红色虚线框内的就是RPN模块。 原始图像首先经过卷积层进行特征提取， 得到特征图， 然后经过RPN模块进行区域提取。 RPN的模块包含2个分支， 上面一个分支通过softmax预测某一个框是背景还是目标， 下面的分支预测框的4个偏移量，因为Faster RCNN 在每个锚点上预设了9个先验框， 所以在特征图的每个点上， 对应18个分类概率和36个框的偏移量。
得到Proposal后， 把这些框的信息在映射到特征图上， 由于框的大小不一样， 所以需要ROIPooling的操作， 把候选区域的特征图整成一样的大小， 以便进入后续的fc层进行进一步的微调。
3 RPN之后的处理
得到预测的候选框之后， RPN就完成了， 后续的处理其实跟RPN没有关系了， 但是为了方便理解，这里把后处理放在跟RPN一起介绍。 在训练和推理阶段， 后处理的操作不同。
3.1 训练
对训练来说，得到预测的候选框之后，需要跟真实的框计算loss。那么首先就需要确定参与loss计算的正负样本。通常， 预测框的数量（实际上就是anchor的数量）非常多（一般在几千到几十万的量级）, 而真实框ground truth（GT）非常少（一般也就几个到几十个）， 因此大部分预测框其实都是负样本， 正负样本极不均衡，一般都采样对负样本进行采样的方式降低负样本的数量， 比如通常把正负样本控制在1:3的比例。
正负样本的确定一般是通过检测框与GT的IoU来衡量的， 检测框与GT的IoU大于一定阈值的， 就认为是正样本， 小于一定阈值的， 认为是负样本， 中间的就是无效样本， 直接丢弃。但是有一点需要注意，
一个GT 可以匹配多个检测框， 但是一个检测框只能匹配一个GT(也很好理解， 毕竟一个框只能是一个目标)
， 因此当一个检测框与多个GT的IoU都大于阈值的话， 只保留IoU最大的那一个检测框。
总结一下， 在训练阶段， 核心的就是预测框如何与真实框的匹配， 以及匹配之后的正负样本确定。这里一般涉及到IoU的计算。
3.2 推理
对推理来说，RPN预测的候选框直接全部输出给第二阶段进行微调。
(微调之后的框跟RPN输出的框是一样多的， 但显然很多都是无效框和重复的框， 所以一般会首先根据置信度的阈值进行一个过滤， 然后进行非极大值抑制(NMS)。 关于NMS, 可以详细参考我的另一篇博客
NMS理解
。 NMS中实际上也涉及到IoU的计算。)