对不起，这是一个问题，但与很多小问题有关。我无法将它们分成单独的问题。
做3x3卷积。
3.1 3x3卷积如何将上面的输出压缩到1x512？
3.2我读了一篇文章说，RPN将从2000个锚中随机选择512个样本。如果1x512矩阵意味着这个，那么3x3卷积在做什么？循环feature_map，用16步和16比例找到原始地图的中心（对应的特征图当前点），切出9个锚，计算IoU＆lt; 0.3作为neg样本和IoU＆gt; 0.7作为pos样本。
4.1如果feature_map上有几个点，如何覆盖GT？我的意思是，因为它需要IoU＆gt; 0.7标记pos样本，这里IoU指[区域（从这一点到原始图像的映射）和GT]或[GT的所有区域]的交点？我认为它应该是前者。
在所有循环结束后，用nms滤除正样本和负样本。是否可以在一个点上有多个锚点，或者nms肯定会过滤掉它？
传递给softmax。
6.1我的问题是，在很多情况下，feature_map上各点的位置（标记为正数和负数）是不同的。由于参数的位置也固定在feature_map的特定位置，如何在检测阶段从图像中查找提案？
6.2随机选择锚点在这里？ ？RoI合并feature_map和提案以进行合并。 （1. roi（roi表示一组锚点）位于特征图中，并在特征图2中得到补丁区域。将类似SPP图层（7x7下采样）的内容应用于特征贴图，转换为固定功能的大小，以适应完整的连接层）
另一个softmax。 （使用BP调整参数的训练阶段），我的问题是，在很多情况下，每次标记为正和负的feature_map上的点的位置是不同的。由于参数的位置也固定在feature_map的特定位置，如何在检测阶段从图像中查找提案？
RoI与GT相比，做了回归。
完成上述问题后，再重新考虑一下。我发现我对锚点的理解，建议有点令人困惑。许多锚点是否构成提案？ 如果是这样，则上面的6变为
选择512个锚点，将其参数传递给softmax，输出显示它是否是目标对象的一部分。所以这一层是检测阶段。在进行检测阶段时，只需循环所有锚点以获得可能的锚点。
6.1但在这种情况下，RPN如何输出bbox大小（x，y，w h）？我认为它需要合并选定的锚点，然后缩放到原始图像的大小，以获得bbox大小。
6.2如果操作合并，那么从2000年随机选择的512可能会错过某些区域，不是吗？
主要是3和6，我认为所有这些都是高度相对的，不能分开。有些只是需要或不确认，谢谢