Faster RCNN中三个比较重要的层，其作用位置、功能详细对比如下。三种层的出现顺序依次为AnchorTargetLayer、ProposalLayer、ProposalTargetLayer：
| Alt trainging | End2End trainging | 输入框个数 | 输出框个数 | |
| AnchorTargetLayer | train | train | 6000个anchor | 256个anchor与其对应的groundtruth |
| ProposalLayer | train/test | train/test |
训练：20000 测试：6000 |
训练：2000 测试：300 |
|
ProposalTargetLayer (端到端训练中这部分功能RoIDataLayer实现) |
/ | train | 由ProposalLayer输入的2000个proposal | 128个proposal与其对应的groundtruth |
通过上表可以发现，AnchorTargetLayer与ProposalTargetLayer极其相似，都是只用于训练阶段，输出都是n个“框”与其对应的groundtruth，输入稍有不同，AnchorTargetLayer的输入是原始的anchor，而ProposalTargetLayer的输入是经过回归后生成的proposal。
现对两者通过下表进行详细对比：
| 输入框个数 | 输出框个数 | 正负样本比例 | 正负样本阈值 | |
| AnchorTargetLayer | 6000个anchor | 256 | 1：1（正：负） |
正样本：>=0.7 负样本：<0.3 与groundtruth |
| ProposalTargetLayer | 2000个proposal | 128 | 1：3（正：负） |
正样本：>=0.5 负样本：<0.5 && >=0.1 与groundtruth |
这个还要再额外解释一点：ProposalLayer产生的RoI都是正样本，与groundtruth算了一次IoU后，根据阈值又分成了正负样本，然后送入Fast RCNN继续训练。AnchorTargetLayer、ProposalTargetLayer在测试阶段干脆就没有了。ProposalLayer直接产生300个RoI，送入Fast RCNN进行预测。