區域提議網路

區域提議網路是 Faster R-CNN 內部那個小型、全卷積的「第一階段」，它唯一的工作是看著共享特徵圖，在許多位置喊出「這裡也許有物件，而且大概是這個形狀」。它是 Selective Search 的學習版替代品：提議不再來自固定的影像處理演算法，而來自一個在資料上訓練的網路；又因為它共享骨幹的特徵，執行起來幾乎不花成本。

在機制上，RPN 在特徵圖上滑動一個小型（例如 3×3）卷積以混合局部脈絡，再分岔成兩個 1×1 卷積頭。在每個空間位置上，它考慮 k 個錨框（例如 9 個，來自 3 尺度 × 3 長寬比）。分類頭輸出 2k 個物件性 logit（每個錨框的物件對非物件）；回歸頭輸出 4k 個框微調量（每個錨框的 (t_x,t_y,t_w,t_h) 偏移）。由於它是全卷積的，一次前向傳遞就同時為整張影像上的每個錨框評分。

它的標籤來自與真實框的 IoU：若某錨框與任一真實框的 IoU 高於約 0.7（或它是某個框的最高 IoU 錨框，以保證每個物件至少有一個），即為正樣本；若它與所有真實框的 IoU 都低於約 0.3，即為負樣本；其餘則被忽略。損失為物件性的二元交叉熵，加上只施於正樣本的 smooth-L1 回歸。注意 RPN 是類別無關的——它只預測「是不是物件」，把真正的類別留給第二階段。

推論時 RPN 可能輸出數以萬計的已評分錨框；這些會經由取分數前 N 名、以預測的偏移量微調、裁切到影像邊界、再跑 NMS，縮減成約 1,000–2,000 個提議交給 RoI 頭。RPN 也是單階段偵測的概念種子：一個在特徵圖上密集、基於錨框、滑動的「物件性＋回歸」頭，正是 YOLO、SSD、RetinaNet 所推廣的——差別在於它們在那同一次掃描中就分類成真正的類別，跳過了第二階段。