老师，我有一个问题：在进行RPN对特征图打框的时候，因为我们没有设定正例和负例，那么这个分类器是怎么判断这个框是object或者不是object，然后在Bounding-box regression又是怎么调整框的位置呢（因为没有对照的正例的xywh，这个RPN后的回归损失函数我也想象不出来）。

老师请问，我无法调入这些方法，也是因为我的tensorflow版本的问题吗？老师用的是哪个版本？

老师好，这里的gt是不是人工打的标签吗？但是faster rnn 不是直接端到端不需要使用ss了，怎么还需要人工打标签啊

老师，请问top-N是代表预测的次数吗？

老师，这个acc下降，有没有可能是dropout+relu的结果？

或者训练集中有一些数据是极难分辨的，这些数据跑上连续几个batch把整个调偏了？把batch_size调大一些会好吗？

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？

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？

padding模式的补零，到底补的是黑色还是白色

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？

老师，为什么要用高斯除噪使得图像变得模糊呀，图像不是越清晰
越容易识别嘛？还是说这么做的目的是提高它的泛化能力呀？

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

老师，我有一个问题：RCNN里面，每个框都要进入卷积里面吗，我记得负例是不进入损失函数的，是吗老师。

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

老师，1.正例样本是候选框吗？

2.NMS之后，再取Top-N，假如取100个，那么这100个和128个正样本之间什么关系？

可以说，这100个就在正样本里面吗？如果在，为什么不直接向后传正样本里面的数据？

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