Conv Net训练完得到的特征存入磁盘，那么存入的特征是ConvNet卷积计算的中间结果，是Featuremap？

如图，每一次卷积，卷积核个数都是上一次的2倍？池化是因为面积变化，卷积核变小或者步长得原因，。卷积核变多，是为了保持卷积核的数据一致吗？

课程讲到，CNN模式下，神经元获取部分像素点，与后面的卷积核是什么关系？一个卷积核代表多个神经元吗？或者是卷积核为过滤器？

rpn网络对框进行2分类，终端网络进行k+1分类，在rpn中已经进行了背景的分类，在终端网络中为什么又进行了背景分类？

老师请教一下，fastercnn , 训练过程，是先训练rpn网络，训练完成之后再使用rpn网络生成poi框，

训练终端网络吗？还是整体训练？

做得是3*3的卷积，那不是有9个anchor么，那怎么会是2*9个结果呢，我感觉是1个anchor才对应2*9个结果吧？望告知，多谢！

不同ROI是拼接在一起后进行全连接么，还是各自做全连接？举个例子，如果有2000个ROI的话，是做了2000个全连接，还是只有一个全连接。还请告知

请问一下，feature map不是有很多个通道么？anchor boxes怎么扫描呢？每次是对所有通道一起扫描，还是只扫描一张feature map？还望告知，多谢

请问一下，此时只是判断这些区域是不是物体吧？应该还没有具体分类是什么物体吧？

还是不太懂为什么要把重合度在20%以下的负样本剔除。一是可以减少负样本数量，第二个原因没听懂，能告知么？

随机梯度下降不是采用一个样本么，怎么是batch?怎么不是BGD?

图像大小变大的话，那么经过同样的卷积池化操作，得到的全连接层前的feature map大小将大于7*7，此时用

7*7卷积核的话就达不到全连接的效果了呀，所以还是没懂为啥用conv代替全连接。望告知，多谢

能再为我解释一下为什么参数初始化的时候绝对值太大的话，更容易梯度爆炸或消失？多谢

是不是可以理解为：无论是黑白照片还是彩色照片，输入结点都是每个像素点，只不过区别是黑白照片每个输入结点是一层的，而彩色照片的每个输入结点是多层的。还请告知，多谢

感受野可大可小，最大的情况是整张图片的所有像素点。那么第一层卷积层感受野最小的情况就是感知一个像素点么？也就是三个维度（三个节点么）