更快的rcnn（https://arxiv.org/abs/1506.01497），
有两种方法来训练网络。
一种方法是联合训练rpn和快速rcnn。
另一种方法是以端到端的方式训练rpn和快速rcnn。
然而，作者说，在端到端的培训中，结果只是联合培训的近似值。
仅近似的原因是
这个解决方案忽略了导数w.r.t.提案框的坐标也是网络响应，因此是近似值。
但是，根据网络定义（https://github.com/rbgirshick/py-faster-rcnn/blob/master/models/pascal_voc/VGG16/faster_rcnn_end2end/train.prototxt），rpn的边界框回归会针对每次训练迭代进行更新，因此不会被忽略。
那么，为什么它会忽略提案框坐标的派生？那是什么意思？
答案 0 :(得分：0)
幻灯片 Training R-CNNs of various velocities 在第 40-45 页详细讨论了这一点。简而言之，这是因为损失函数对ROI层的导数是未定义的，所以使用了代理梯度，在这种情况下，这个导数是未定义的。
附言