这里的第二步已经不一样了，这里是把整个图像输入到网络中，roi pooling（感兴趣区域），
fast rcnn是先把整个图像输入得到特征图，然后根据候选框对整个图片的映射关系得到每个候选框的特征图了。
正样本指的是包含目标的样本，负样本指的是背景了。ss算法提取了2000个候选框，但是只拿64个，然后把和含目标的框的iou大于0.5的设置为正样本，在0.1到0.5的设置为负样本。
之后再使用roi pooling层。将各个候选框对应的特征图缩放到统一的尺寸。
假设左图是一个候选框对应的特征图，然后将他分为7*7的区域，然后对每一个区域实现最大池化下采样操作，如右图所示，右上角是0.1。注意这里只是一个channel。
softmax分类器会输出n+1个类别，
会输出（n+1）x4个节点，下面这个一维向量每4个一份。
黄色的框是初始，绿色的框是含目标的框，红色的是调整之后得到的框。
一共有两个损失值。
可以看到是交叉熵损失。
oi*只有在真实的位置才会是1，其余位置都是0。
那么它是一个平衡系数，平衡这两个损失值。
faster rcnn
有一个不同是使用RPN结构得到候选框，可以看成是RPN加上fast rcnn
RPN结构
先来解释anchor，在特征图上找一个点，等比例找到他在原图里的位置，然后以他为中心，创建多个矩形区域，就像右图里这些矩形，就是一个anchor，然后针对假如k个anchor，经过cls后得到2k个结果，一个是是目标的概率，一个是是背景的概率，同理，经过回归层可以得到4k个参数。
cls这个框里每2个一组，一个是是目标的概率（这里不是是汽车的概率），一个是是背景的概率。
三种尺度就是anchor的面积，每个尺度会有三个比例，可以在右图看到。所以每个位置有9个anchor。
只选取256个anchor，其中分为正样本和负样本。
有2种方法定义正样本：1.这个anchor与人工选的的iou大于0.7；2.与人工选取的anchor的iou最大的那个anchor。负样本是指与所有人工框的iou小于0.3的。其余丢弃。
