1、在RPN网络里通过1*1预测anchors的偏移(rpn_bbox_pred)；
2、在RPN网络里self._proposal_layer()—>proposal_layer_tf—>bbox_transform_inv_tf(anchors, rpn_bbox_pred)来预测anchors的坐标；
3、还是在RPN网络里self._anchor_target_layer()—>anchor_target_layer–>_compute_targets(anchors, gt_boxes[argmax_overlaps, :])通过筛选出来的anchors的坐标和ground truth来预测出偏移(rpn_bbox_targets)；
4、然后就是在_add_losses函数self._smooth_l1_loss(rpn_bbox_pred, rpn_bbox_targets)通过预测偏移和真实偏移做回归训练，在_add_losses函数里，你会发现有关于rpn和rcnn两个回归训练，rpn的是关于偏移的回归，rcnn是对于最后分类预测坐标和gt真实坐标的回归,，这个获取anchors真实坐标的函数也是在RPN网络的self._proposal_target_layer里面。loss函数是loss_box = self._smooth_l1_loss(bbox_pred, bbox_targets,…,…)
边界框回归简介
边界框回归细节
