簡明扼要說一下二階段網絡訓練的pipeline，一些基本概念還需要自行去查詢一下，這裏就不做介紹了
RPN網絡的訓練
- 需要的輸入有之前卷積層得到的featuremap，anchor的規格（size,scale等能表達anchor大小的參數），label
- 由featuremap上的每個位置映射回到原圖上，再結合給出的anchor規格，得到原圖每個區域(特徵圖上每個點對應原圖一個區域)的anchor集合
- 計算每個anchor與每個label框的iou，計算完後每個anchor對應一個與其iou最大的label，假設有倆個iou閾值thresh_high和thresh_low，將計算的iou大於thresh_high的anchor設置正類標籤，iou小於thresh_low的anchor設置負類標籤（一般負類較多，需要從中採樣一些），這些anchor拿出來將參與後續loss計算，其餘anchor將忽略
- 計算之前得到的正類anchor與其對應最大iou的label框的偏移量(dx,dy,dh,dw)（具體如何計算偏移請參考faster-rcnn的bbox迴歸）
- 根據anchor的正負類可以計算二分類Loss，根據前邊得到的偏移量再結合featuremap可以計算l1_smooth_loss，即迴歸Loss
ROI Pooling後網絡的訓練
- 將anchor按照rpn網絡最後得到的score進行排序（由於是二分類，使用sigmoid每個框都有一個得分），選取前top k個作爲proposals，並對這k個proposals按照rpn最後的輸出使用偏移量進行位置矯正
- 這k個框按照RPN訓練中第3步的方式通過iou與label對應上，然後經過roi pooling後再經過幾次卷積最後輸出類別和迴歸框的偏移量，最後再計算一次loss
Final
對前倆大步驟計算得到的loss進行反向傳播，更新權重