Faster RCNN AnchorTargetLayer ProposalLayer ProposalTargetLayer详细对比

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。