写在前面的话：文章内容来源于但不限于网络、书籍、个人心得体会等，意在总结和方便各位同行快速参考，共同学习进步，记录自己的问题。错误在所难免，有请各位批评斧正。如有侵权，烦请第一时间通知，我会立即删除相关内容，万分感谢！
为每个anchor分配一个二进制标签（是/否目标）
1）任意与ground truth有大于0.7的IoU交叠的anchor赋值为1
2）选取ground truth的IoU最大的anchor赋值为1
3）分配负标签给与所有ground truth包围盒的IoU比率都低于0.3的anchor
一个ground truth包围盒可能分配正标签给多个anchor
每个卷积特征映射大约2000个anchor
对一个图像的损失函数：
其中：
i是一个mini-batch中anchor的索引；
Pi是anchor i是目标的预测概率；
ground truth标签Pi* 就是1，如果anchor为负，Pi* 就是0；
ti是一个向量，表示预测的包围盒的4个参数化坐标；
ti* 是与正anchor对应的ground truth的坐标向量。
Ncls：mini-batch的大小 （256 ）
Nreg：anchor位置的数量 （大约2400） λ=10
分类损失函数：
位置损失函数：
简单网络目标检测速度达到17fps，在PASCAL VOC上准确率为59.9%；复杂网络达到5fps，准确率78.8%
缺点：
1.无法达到实时
2.预先获取候选区域，在对每个proposal分类计算量比较大