目標檢測即在一張圖中找出目標所在的位置，faster-r-cnn爲雙階段目標檢測，第一階段獲取目標所在位置的候選框，然後獲得目標的種類以及更加精細的位置。
下圖爲使用VGG16作爲 backbone的faste-r-rcnn。
使用 resnet50backbone的特整體提取層取resnet得layer3 ，即[3,4,6,3]的6，layer4以及avgpool作爲 classifier。還有inception等backbone。
1、獲取特徵圖。上部分爲特徵提取網絡，截止到VGG16的最後一個maxpool，獲取16*16的特徵圖。
2、生成錨點框。上圖中在獲得16*16的特徵圖以後，特徵圖的每一個點對應回原圖有一個座標，而且每一個點生成9個anchor（3個比例，3個大小）所以總的anchor爲16*16*9=2034個，anchor的屬性爲（2034, 4）其中的4爲錨框的 左上和右下的座標。
3、rpn階段。上圖的左下分支，訓練這個部分的爲的是獲取 想要的目標候選框。在生成的2304個anchor中，首先篩選在圖像內的框，有一部分錨點框會出界，將出界的錨點框label設置爲-1。對內框分別於圖中的GT計算iou，取iou最大的以及大於0.7（設置的 閾值）爲正樣本，在n個正樣本中取128個label設置爲1，實際也可能小於128，大於128個的時候隨機選取128個剩餘的label設置爲-1。 iou小於0.3的爲負樣本，label設置爲0，個數爲256-剛剛正樣本的個數。對每一個框計算座標的修正係數，所以得到的是：（2034,4）的位置修正信息，以及（2034，1）的類別信息。在計算RPN部分的loss時，就是這兩個與圖中左下的兩個分支計算，其中計算cls的loss 時忽略label爲-1的， 在計算loc的loss的時候只計算正樣本的loss。
4、ROI階段 。上圖的右下分支。 使用RPN階段訓練出來的（2034，4）的網絡輸出去修正anchor得到2034個roi，將anchor小於0的設置爲0，大於邊界的設置爲邊界長寬。根據RPN階段訓練出來的（2034,1）進行置信度由大到小的排序，取前1200個（輸入圖像較小，沒有那麼多anchor）roi，對這1200個進行NMS（非極大值抑制），NMS意思是，選取一個置信度最大的框，其他與該框iou大於閾值的時候的這些框都不要只留最大置信度的這個框。進行NMS後選取200個rois。將GT的框加入到rois裏面變爲202個，分別與GT計算iou，此時這202個候選框分別有了多個iou，對每個候選框取最大iou作爲他的目標類得到202個label_temp。iou大於閾值0.5的時候，選取iou最大的那一類的label+1作爲該框的label，因爲0是負樣本的label。正負比例1:3，總 的框128，所以目標的候選框最大爲32個，很多時候大於0.5的其實沒那麼多。 背景框爲128-樣本框。小於0.5的爲負樣本，選取之後有128個rois，對這128個框計算修正係數，每個框對應的爲label_temp所對應的那個GT，返回的是128個框框以及128個類別，128個（128,4）的修正係數。
在得到這128個框框後，除以16 座標換算到特徵圖像，在16*16的的特徵圖上截取ROI，因爲這128個小的特徵圖大小不同，使用ROIpooling，無論輸入多大轉換到同一 大小，在這裏使用VGG時候輸出爲7*7，在使用resnet50的時候輸出爲14*14，後接全連接 層，最後得到128*4的位置修正輸出層 以及分類的（128，classes）的分類層。
5、loss的計算。faster-r-cnn一共包含4個loss，分別爲建議框生成時候位置修正的loss以及將anchor分爲正負樣本的loss，roi階段的位置修正以及分類loss
這個網絡的理解最好還是根據代碼實現來理解，文字容易給人繞糊塗了。