首先我們明確乙個定義，當前主流的object detection框架分為1 stage和2 stage，而2 stage多出來的這個stage就是regional proposal過程，明確這一點後，我們繼續講。
regional proposal的輸出到底是什麼？
我們首先看一下以faster r-cnn為代表的2 stage目標檢測方法
可以看到，圖中有兩個classification loss和兩個bounding-box regression loss，有什麼區別呢？
1、input image經過cnn特徵提取，首先來到region proposal網路。由regio proposal network輸出的classification，這並不是判定物體在coco資料集上對應的80類中哪一類，而是輸出乙個binary的值p，可以理解為
rpn網路做的事情就是，如果乙個region的rpn同時也會在feature map上框定這些roi感興趣區域的大致位置，即輸出bounding-box。
----打個比方----
我上午第四節課餓得不行，我就想著中午要吃什麼？附近好多西餐廳和中餐廳，餐廳裡菜品有很多。但是我生活費不夠了。。gg。。不太想吃（吃不起）西餐，所以無論西餐廳裡有什麼菜品，我都不會考慮；只有路過中餐廳時，我才會進去看看具體吃什麼菜。
----------真是尷尬的栗子----------
so, rpn網路做的事情就是，把一張中，我不感興趣的區域——花花草草、大馬路、天空之類的區域忽視掉，只留下一些我可能感興趣的區域——車輛、行人、水杯、鬧鐘等等，然後我之後只需要關注這些感興趣的區域，進一步確定它到底是車輛、還是行人、還是水杯（分類問題）。。。。
你可能會看到另一對通俗易懂的詞語，前景（車、人、杯）和背景（大馬路、天空）。
啊 好的，到此為止，rpn網路的工作就完成了，即我們現在得到的有：在輸入rpn網路的feature map上，所有可能包含80類物體的region區域的資訊，其他region（非常多）我們可以直接不考慮了（不用輸入後續網路）。
接下來的工作就很簡單了，假設輸入rpn網路的feature map大小為 64x64 ，那麼我們提取的roi的尺寸一定小於64x64，因為原始影象某一塊的物體在feature map上也以同樣的比例存在。我們只需要把這些region從feature map上摳出來，由於每個region的尺寸可能不一樣，因為原始影象上物體大小不一樣，所以我們需要將這些摳出來的region想辦法resize到相同的尺寸，這一步方法很多（pooling或者interpolation，一般採用pooling，因為反向傳播時求導方便）。
假設這些摳出來的roi region被我們resize到了 14x14 或者 7x7 ，那我們接下來將這些region輸入普通的分類網路，即第一張faster r-cnn的結構圖中最上面的部分，即可得到整個網路最終的輸出classification，這裡的class（車、人、狗。。）才真正對應了coco資料集80類中的具體類別。
同時，由於我們之前rpn確定的box\region座標比較粗略，即大概框出了感興趣的區域，所以這裡我們再來一次精確的微調，根據每個box中的具體內容微微調整一下這個box的座標，即輸出第一張圖中右上方的bounding-box regression。
整個faster r-cnn網路就到此結束了，下面總結一下，同時也回答你的問題：
region proposal有什麼作用？
1、coco資料集上總共只有80類物體，如果不進行region proposal，即網路最後的classification是對所有anchor框定的region進行識別分類，會嚴重拖累網路的分類效能，難以收斂。原因在於，存在過多的不包含任何有用的類別（80類之外的，例如各種各樣的天空、草地、水泥牆、玻璃反射等等）的region輸入分類網路，而這些無用的region佔了所有region的很大比例。換句話說，這些region數量龐大，卻並不能為softmax分類器帶來有用的效能提公升（因為無論怎麼**，其類別都是背景，對於主體的80類沒有貢獻）。
2、大量無用的region都需要單獨進入分類網路，而分類網路由幾層卷積層和最後一層全連線層組成，引數眾多，十分耗費計算時間，faster r-cnn本來就不能做到實時，這下更慢了。
最後有個小小的說明，針對不了解anchor的同學們，我在文中始終在說對於感興趣的區域「框定乙個座標」，這是為了便於理解，其實這樣說是不準確的。
具體就是：我們整張影象上，所有的框，一開始就由anchor和網路結構確定了，這些框都有各自初始的座標（錨點）。所有後續的工作，rpn提取前景和背景，其實就是保留包含前景的框，丟掉包含背景的；包括後續的nms，也都是丟掉多餘的，並非重新新建乙個框。
我們網路輸出的兩個bounding-box regression，都是輸出的座標偏移量，也就是在初始錨點的基礎上做的偏移修正和縮放，並非輸出乙個原圖上的絕對座標。
yolo有類似rpn的機制，那就是最後輸出時的confidence值，這個值決定了前景和背景。
ssd是將anchor機制融合在了1 stage模型中，原理與本文所述基本一致。
目標檢測中的example mining
目標檢測，一般分為2個部分，定位和分類,example mining是選擇出特定樣本來計算損失函式 從實際問題出發hard example應該就是指定位較困難或分類較困難或者兩者都困難的候選框。ssd的caffe中支援negative mining和hard example mining，當shar...
目標檢測中region proposal的作用
首先我們明確乙個定義，當前主流的object detection框架分為1 stage和2 stage，而2 stage多出來的這個stage就是regional proposal過程，明確這一點後，我們繼續講。regional proposal的輸出到底是什麼？我們首先看一下以faster r c...
目標檢測中的Selective Search
在r cnn學習的過程中，首先使用到的技巧就是selective search選擇性搜尋。它的目標是減小滑動窗或者窮舉法帶來的冗餘候選區域，從而減小計算量。本文參考blog 選擇性搜尋主要集中解決了以下幾個問題 事先並不知道內物體的尺寸，如何確定不同大小比例的候選框 對於影象中存在的特徵，如何利用起...