Faster RCNN中三個比較重要的層，其作用位置、功能詳細對比如下。三種層的出現順序依次爲AnchorTargetLayer、ProposalLayer、ProposalTargetLayer：
| Alt trainging | End2End trainging | 輸入框個數 | 輸出框個數 | |
| AnchorTargetLayer | train | train | 6000個anchor | 256個anchor與其對應的groundtruth |
| ProposalLayer | train/test | train/test |
訓練：20000 測試：6000 |
訓練：2000 測試：300 |
|
ProposalTargetLayer (端到端訓練中這部分功能RoIDataLayer實現) |
/ | train | 由ProposalLayer輸入的2000個proposal | 128個proposal與其對應的groundtruth |
通過上表可以發現，AnchorTargetLayer與ProposalTargetLayer極其相似，都是隻用於訓練階段，輸出都是n個“框”與其對應的groundtruth，輸入稍有不同，AnchorTargetLayer的輸入是原始的anchor，而ProposalTargetLayer的輸入是經過迴歸後生成的proposal。
現對兩者通過下表進行詳細對比：
| 輸入框個數 | 輸出框個數 | 正負樣本比例 | 正負樣本閾值 | |
| AnchorTargetLayer | 6000個anchor | 256 | 1：1（正：負） |
正樣本：>=0.7 負樣本：<0.3 與groundtruth |
| ProposalTargetLayer | 2000個proposal | 128 | 1：3（正：負） |
正樣本：>=0.5 負樣本：<0.5 && >=0.1 與groundtruth |
這個還要再額外解釋一點：ProposalLayer產生的RoI都是正樣本，與groundtruth算了一次IoU後，根據閾值又分成了正負樣本，然後送入Fast RCNN繼續訓練。AnchorTargetLayer、ProposalTargetLayer在測試階段乾脆就沒有了。ProposalLayer直接產生300個RoI，送入Fast RCNN進行預測。