一、RFCN思想的出发点是
图像分类任务更偏向与平移不变性，因此，ImageNet 分类的领先结果证明，尽可能具有平移不变性的深度（完全）卷积架构更可取 ；但是目标检测任务需要在一定程度上需要平移可变性的定位信息。例如，候选框内目标的变化应该产生积极的响应，来描述一个候选框与目标重叠的程度，但是，图像分类中的深度网络对这种变化是不敏感的。
我们在做目标检测任务时，其实是深度学习的多任务，一个任务是定位，估计目标的位置坐标，一个是分类任务，给出目标的标签，这两个任务共享基础网络的卷积，也就是共享基础网络提取的特征，然后分类任务使用这个特征去做分类，定位位置使用这个特征去做定位，但是定位和分类这两个位置在空间位置上是相互矛盾的，一个小猫不论在图片中的哪个位置上都是猫，因此分类任务对位置空间不敏感，在ImageNet的分类任务可以看出，深度学习网络不需要关注位置信息，但是定位任务对位置空间超级敏感，位置的变换都要得到响应的反馈，因此二者是相互矛盾的。
把RoI 池化层插入到卷积中——这种特定于区域的操作打破了平移不变性，并且在跨不同区域进行评估时，RoI 后的卷积层不再具有平移不变性 。
二、Position-sensitive score maps
C是类别数，k是将我们的ROI区域分成3×3的小bin，每个bin依此表示{top-left, top-center, top-right, …, bottom-right} 9个位置，我们来直接理解通道0 这样一张feature map的意思，通道0上的每个位置，预测的是对应原图区域，是类别0，且为类别0的左上角的概率；通道1上每个位置，预测的是类别1，且为类别1的左上角的概率；通道2上每个位置，预测的是类别2，且为类别2的左上角的概率。。。，通道0～C+1预测的都是第一个bin，也就是3×3中的（0，0）bin；
那么C+1～2*(C+1）开始，例如通道噢C+1，预测的是类别0，且为类别0 的top-center的位置的概率，也就是3×3中的（0，1）那个bin；
三、Position-sensitive RoI pooling
从上图的feature map中也可以看出，同一种颜色表示该通道的feature map上预测的是同一个bin，不同颜色是不同的bin，每一种颜色都有C+1张，代表c+1个类别，上图的过程是这样的：送来一个大小为wxh的ROI区域块，我们先把这个ROI的区域框按照w/k、h/k的方法分成kxk的区域块，这里k=3，那么就有9个bin，对于第(0,0)位置上的bin，我们只看只负责预测(0,0)bin的通道，也就是上图的桔黄色的feaure map块，因此我们在桔黄色的feature map块的每张通道上都做平均池化，得到了1x(c+1)的池化结果，放到(0，0)位置上;
然后ROI上(0,1）位置上的bin，同样的方法，只看黄色的feature map块，然后在该feature map块上做每个通道的平均池化，得到得到了1x(c+1)的池化结果，放到(0，1)位置上;
这样就得到了3x3x(C+1)的池化结果，vote时，是将每个通道的3×3=9个数值相加，得到一个总的预测值，vote之后是1x(C+1)的向量，可以做后续的sotmax