PNet是全卷積網絡，主要爲了應對不同輸入尺度，最後輸出的爲W×H×2，W×H×4兩個特徵圖，其中W×H×4爲候選框的在特徵圖中的位置座標，需要將它們映射到原始圖像中，接下來對這個映射關係進行解析。
一、什麼是感受野
卷積神經網絡CNN中，某一層輸出結果中一個元素所對應的輸入層的區域大小，被稱作感受野receptive field。感受野的大小是由kernel size，stride，padding , outputsize 一起決定的。
卷積過程中的詞語含義：
•28×28的輸入圖片（輸入圖片尺寸W=28）
•5×5的卷積核（卷積核大小K=5）
•滑動步長（stride=1）
當padding=‘valid’（不進行填充）
根據隱藏層邊長=（W-K）/S +1，可以得到2424的隱層神經元。
當padding=‘SAME’（進行填充）
根據隱藏層邊長=（W-K+2P）/S +1，其中P=（K-1）/2，可以得到2828的隱層神經元，可以保證輸入層與輸出層有相同的空間分佈 。
綜上所述：隱藏層邊長（輸出的邊長）= （W - K + 2P）/S + 1 （其中W是輸入特徵的大小，K是卷積核大小，P是填充大小，S是步長（stride））。
用英文表達：
output field size = ( input field size - kernel size + 2padding ) / stride + 1
(output field size 是卷積層的輸出，input field size 是卷積層的輸入)
反過來，卷積層的輸入（也即前一層的感受野）
input field size = （output field size - 1） stride - 2*padding + kernelsize
二、感受野上的座標映射
通常，我們需要知道網絡裏邊任意兩個feature map之間的座標映射關係，一般是中心點之間的映射。
計算公式：
(1)對於Conv或pooling層：p(i)=s(i)*p(i+1)+[(k(i)-1)/2-padding]
(2)對於Neuronlayer(ReLU/Sigmoid/…)：p(i)=p(i+1)
上面是計算任意一個layer輸入輸出的座標映射關係，如果是計算任意feature map之間的關係，只需要用簡單的組合就可以得到。
一個簡單的解決方案是：對每一層，填充零元素P=F/2向下取整，這樣的話，在每一個特徵圖上座標爲（0,0）的響應點的感受野是以輸入圖像座標爲（0,0）的點爲中心的，座標爲（x,y）的點的感受野是以（Sx,Sy）爲中心的，S爲步長。
boundingbox = np.vstack([np.round((stride * t_index[1]) / scale),
np.round((stride * t_index[0]) / scale),
np.round((stride * t_index[1] + cellsize) / scale),
np.round((stride * t_index[0] + cellsize) / scale),
score,
reg])