区域建议网络（RPN）首先在faster rcnn中提出。
得到用来预测的feature map
图片在输入网络后，依次经过一系列卷积 ReLU得到的51×39×256维feature map，准备后续用来选取proposal。
生成Anchors
anchor是固定尺寸的bbox。具体做法是：把feature map每个点映射回原图的感受野的中心点当成一个基准点，然后围绕这个基准点选取k个不同的尺寸和比例的anchor。对于W×H大小的卷积feature map（通常为2400），总共有W×H×k个锚点。默认使用3个尺度和3个纵横比，在每个滑动位置上产生k=9个anchor。在feature map上的每个特征点预测多个region proposals。例如对于像素点个数为 51×39 的一幅feature map上就会产生 51×39×9 个候选框。虽然anchors是基于卷积特征图定义的，但最终的 anchors是相对于原始图片的。
图1 九个候选框（anchor）示意图
针对该像素点的每个候选框需要判断其是不是目标区域，如果是目标区域，其边框位置如何确定，具体过程如图2所示，在RPN头部 ，通过以下结构生成 k个anchor。
图 2 RPN 过程示意图
如图2所示，针对特征图中的某一个位置的像素点，对应会有9个候选框。因为输入RPN中有256个通道的特征图，所以要同时对每个通道该位置的像素点都使用不同的3×3的滑动窗口进行卷积，最后将所有通道得到的该位置像素点的卷积值都加起来，得到一个新的特征值，最终使用256组这样的3×3的卷积核，就会得到一个新的256维的向量，这个256维的向量就是用来预测该位置的像素点的，该像素点对应的9个候选框共享这256维向量。
256维向量后面对应两条分支，一条目标和背景的二分类（classification），通过1×1×256×18的卷积核得到 2k 个分数，k等于候选框的个数9，表示这9个anchor是背景的score和anchor是目标的score。如果候选框是目标区域，就去判断该目标区域的候选框位置在哪，这个时候另一条分支就过1×1×256×36的卷积核得到4k个坐标，每个框包含4个坐标（x，y，w，h），就是9个候选区域对应的框应该偏移的具体位置Δxcenter,Δycenter,Δwidth,Δheight。如果候选框不是目标区域，就直接将该候选框去除掉，不再进行后续位置信息的判断操作。
分类分支
考察训练集中的每张图像（含有人工标定的gt box） 的所有anchor划分正负样本：
（1）对每个标定的gt box区域，与其重叠比例最大的anchor记为正样本，保证每个gt至少对应一个正样本anchor
（2）对（1）中剩余的anchor，如果其与某个标定区域重叠比例大于0.7，记为正样本（每个gt可能会对应多个正样本anchor。但每个正样本anchor只可能对应一个gt；如果其与任意一个标定的重叠比例都小于0.3，记为负样本。
回归分支
x,y,w,h分别表示box的中心坐标和宽高，x,xa,x分别表示predicted box, anchor box, and ground truth box （y,w,h同理）ti表示predict box相对于anchor box的偏移，ti表示ground true box相对于anchor box的偏移，学习目标就是让前者接近后者的值。
在 RPN中部，分类分支（cls）和边框回归分支（bbox reg）分别对这堆anchor进行各种计算。在RPN末端，通过对两个分支的结果进行汇总，来实现对anchor的初步筛除（先剔除越界的anchor，再根据cls结果通过非极大值抑制（NMS）算法去重）和初步偏移（根据bbox reg结果），此时输出的都bbox改头换面叫 Proposal 了
偏移公式如下。An就是anchor的框，pro就是最终得出回归后的边界框，到这里我们的proposals就选好了：
非极大值抑制(Non-maximum suppression)
由于anchor一般是有重叠的overlap，因此，相同object的proposals也存在重叠。为了解决重叠proposal问题，采用NMS算法处理：两个proposal间IoU大于预设阈值，则丢弃score较低的proposal。
IoU阈值的预设需要谨慎处理，如果IoU值太小，可能丢失objects的一些 proposals；如果IoU值过大，可能会导致objects出现很多proposals。IoU典型值为0.6。
Proposal选择
NMS处理后，根据sore对top N个proposals排序。在Faster R-CNN论文中 N=2000，其值也可以小一点，如50，仍然能得到好的结果。
