我正试图理解 faster rcnn 中的区域建议网络。我明白它在做什么，但我仍然不明白训练是如何进行的，特别是其中的细节。
假设我们使用 VGG16 最后一层，形状为 14x14x512（在 maxpool 之前和 228x228 的图片），以及 k=9 种不同的锚点。推断时，我想预测 9*2 类标签和 9*4 个边界框坐标。我的中间层是一个 512 维向量。
（图像显示来自 ZF 网络的 256 个）
在论文中，他们写道：
“我们在图像中随机采样 256 个锚点来计算 mini-batch 的损失函数，其中采样的正锚点和负锚点的比例最多为 1:1”
这就是我不确定的部分。这是否意味着对于每一种 9(k) 种锚点类型，具体的分类器和回归器仅使用包含该类型正负锚点的 minibatch 进行训练？
这样，我基本上会在中间层中使用共享权重训练 k 个不同的网络吗？因此，每个 minibatch 将包含训练数据 x=卷积特征图的 3x3x512 滑动窗口和 y=该特定锚点类型的 ground truth。推断时，我将它们全部组合起来。
感谢您的帮助。