我试图了解整个 Faster-RCNN，
来自 https://www.quora.com/How-does-the-region-proposal-network-RPN-in-Faster-R-CNN-work
然后在这些特征图上在空间上运行一个滑动窗口。滑动窗口的大小为 n×n（这里为 3×3）。对于每个滑动窗口，会生成一组 9 个锚点，它们都具有相同的中心 (xa,ya)(xa,ya)，但具有 3 个不同的纵横比和 3 个不同的比例，如下所示。请注意，所有这些坐标都是相对于原始图像计算的。
我认为它比其他文章更清楚，但仍然很难理解特征图是如何生成的。
我看到了另一个流程图片：
问题，我写了下面的步骤，例如：
- 如果输入是 600x1000x3 pic
- 通过 VGG16 convnet，第 13 层输出特征图为 40x60x512
- 使用 3x3 滑动窗口，生成 1x1x512 特征图 ???
在这里，3x3 滑动窗口如何使用一组 9 个锚点？？？
抱歉，我对对象检测和图像处理真的很陌生。
我对这些步骤只有一点了解，我知道9 个锚点形状（不是真正的锚点）用于生成很多锚点（在这种情况下为 2400*9）。
我只能想象使用 9 个锚形状来滑动原始图像以获得所有 IoU 。我不明白如何在此处的 conv 特征图中使用 3x3 滑动窗口。
我知道如何选择锚点， 2400*9 -> ignore cross-boundary -> 6000 -> apply NMS -> 2000 ，在每个小批量中，它从 2000 中随机选择 512 个锚点。
我无法理解的是具有 9 个锚形状的 3x3 幻灯片。因为从原始论文中，锚点是 16，高度从 11 到 273 。我不认为它使用 13 层 conv 输出特征图来计算 IoU 。锚点必须应用在原始图像中，那么 3x3 滑动窗口在做什么？