1，引言

　　目标检测的最新进展是由区域提出方法（例如[4]）和基于区域的卷积神经网络（R-CNN）[5] 的成功驱动的。尽管在 [5] 中最初开发的基于区域的CNN计算成本很高，但是由于在各种提议（proposals）中共享卷积，所以其成本已经大大降低了[1],  [2]。当忽略花费在区域提议（region proposals）上的时间，最新版本 Fast R-CNN【2】利用非常深的网络【3】实现了接近实时的速率。现在，提议（proposals）是最新的检测系统中测试时间的计算瓶颈。

　　区域提议方法通常依赖廉价的特征和简练的推断方案。选择性搜索【4】是最流行的方法之一，它贪婪地合并基于设计的低级特征的超级像素。然而，与有效的检测网络【2】相比，选择性搜索速度慢了一个数量级，在CPU实现中每张图像的时间为2秒。EdgeBoxes【6】目前提供了在提议质量的速度之间的最佳权衡，每张图像 0.2秒。尽管如此，区域提议步骤仍然像检测网络那样消耗同样多的运行时间。

 　　有人可能会注意到，基于区域的快速CNN利用GPU，而在研究中使用的区域提议方法在CPU上实现，使得运行时间比较不公平。加速区域提议计算的一个显而易见的方法是将其在GPU上重新实现。这可能是一个有效的工程解决方案，但重新实现忽略了下游检测网络，因此错过了共享计算的主要机会。

　　在本文中，我们展示了算法的变换——用深度卷积神经网络计算区域提议——导致了一个优雅和有效的解决方案，其中在给定检测网络计算的情况下区域提议计算接近零成本。为此，我们引入了新的区域提议网络（RPN），他们共享最先进目标检测网络的卷积层【1】【2】。通过在测试时共享卷积，计算区域提议的边际成本很小（例如，每张图像 10ms）。

　　我们的观察是，基于区域的检测器所使用的卷积特征映射，如Fast R-CNN，也可以用于生成区域提议，在这些卷积特征之上，我们通过添加一些额外的卷积层来构建 RPN，这些卷积层同时在规则网络上的每个位置上回归区域边界和目标分数。因此RPN是一个全连接层网络（FCN）【7】，可以针对生成检测区域建议的任务进行端到端的训练。

　　RPN旨在有效预测具有广泛尺度和长宽比的区域提议。与使用图像金字塔（图1，a）或滤波金字塔（图1，b）的流行方案【8】【9】【1】相比，我们引入新的“锚”（anchor）盒作为多种尺度和长宽比的参考。我们的方案可以被认为是回归参考金字塔（图1，c），它避免了枚举多种比例或长宽比的图像或滤波器。这个模型在使用单尺度图像进行训练和测试时运行良好，从而有利于运行速度。

　　为了将RPN与Fast R-CNN【2】目标检测网络相结合，我们提出了一种训练方案，在微调区域提议任务和微调目标检测之间进行交替，同时保持区域提议的固定。该方案快速收敛，并产生两个任务之间共享的具有卷积特征的统一网络。

　　我们在PASCAL VOC检测基准数据集上【11】综合评估了我们的方法，其中具有Fast R-CNN的RPN产生的检测精度优于使用选择性搜索的Fast R-CNN的强基准。同时，我们的方法在测试时几乎免除了选择性搜索的所有计算负担——区域提议的有效运行时间仅为 10 毫秒。使用【3】的昂贵的非常深的模型，我们的检测方法在 GPU上仍然具有 5fps的帧率（包括所有步骤），因此在速度和准确性方面是实用的目标检测系统，我们还报告了在 MS COCO数据集上【12】的结果，并使用COCO数据研究了在PASCAL VOC上的改进。代码可公开获得：//github.com/shaoqingren/faster_rcnn（在MATLAB中）和//github.com/rbgirshick/py-faster-rcnn（在Python中）。

 　　这个手稿的初步版本是以前发表的【10】。从那时起，RPN和Faster R-CNN的框架已经被采用并推广到其他方法，如3D目标检测【13】，基于部件的检测【14】，实例分割【15】和图像标题【16】。我们快速和有效的目标检测系统也已经在Pinterest【17】的商业系统中建立了，并报告了用户参与度的提高。

 　　在 ILSVRC 和COCO2015竞赛中，Faster R-CNN和RPN 是imageNet检测，ImageNet定位，COCO检测和COCO分割中几个第一名参赛者【18】的基础。RPN完全从数据中学习提议区域，因此可以从更深入和更具表达性的特征（例如【18】中采用的 101残差网络）中轻松获益。Faster R-CNN和RPN也被这些比赛中的其他几个主要参赛者所使用。这些结果表明，我们的方法不仅是一个实用核算的解决方案，而且是一个提高目标检测精度的有效方法。

2，相关性工作

　　目标提议。目标提议方法方面有大量的文献。目标提议方法的综合调查和比较可以在【19】【20】【21】中找到。广泛使用的目标提议方法包括基于超像素分组（例如。选择性搜索【4】，CPMC【22】，MCG【23】）和那些基于滑动窗口的方法（例如窗口中的目标【24】，EdgeBoxes【6】）。目标提议方法被采用为独立于检测器（例如，选择性搜索【4】，目标检测器，R-CNN【5】和Fast R-CNN【2】）的外部模块。

　　用于目标检测的深度网络。R-CNN方法【5】端到端的对CNN进行训练，将提议区域分类为目标类别或背景。R-CNN主要作为分类器，并不能预测目标边界（除了通过边界框回归进行细化）。其准确度取决于区域提议模块的性能（参见【20】中的比较）。一些论文提出了使用深度网络来预测目标边界框的方法【25】【9】【26】【27】。在OverFeat方法【9】中，训练一个全连接层来预测假定单个目标定位任务的边界框坐标。然后将全连接层变为卷积层，用于检测多个类别的目标。MultiBox方法【26】【27】从网络中生成区域提议，网络最后的全连接层同时预测多个类别不相关的边界框，并推广到OverFeat的“单边界框”方式。这些类别不可知的边界框框被用作R-CNN的提议区域【5】。与我们的全卷积方案相比，MultiBox提议网络适用于单张裁剪图像或多张大型裁剪图像（例如 224*224）。MultiBox在提议区域和检测网络之间不共享特征。稍后在我们的方法上下文中会讨论OverFeat和MultiBox。与我们的工作同时的进行DeepMask方法【28】是为学习分割提议区域而开发的。

 　　卷积【9】【1】【29】【7】【2】的共享计算已经越来越受到人们的关注，因为它可以有效而准确地进行视觉识别。OverFeat论文【9】计算图像金字塔的卷积特征用于分类，定位和检测。共享卷积特征映射的自适应大小池化（SPP）【1】被开发用于有效的基于区域的目标检测【1】【30】和语义分割【29】。Fast R-CNN【2】能够对共享卷积特征进行端到端的检测器训练，并显示了令人信服的准确性和速度。

 　　从上面的三张图可以看出，Faster R-CNN由以下几部分组成：

　　（1）数据集，image input

　　（2）卷积层CNN等基础网络（比如VGG-16， ResNet， MobileNet等基础网络），提取特征得到feature map

　　（3-1）RPN层，再在经过卷积层提取到的 feature map上用一个 3*3 的 slide window，去遍历整个 feature map，在遍历过程中每个 window 中心按照 rate, scale（1:2  1:1  2:1）生成 9个 anchors，然后再利用全连接对每个 anchors 做二分类（是前景还是背景）和初步 bbox regression，最后输出比较精确的 300个 ROIs

　　（3-2）把经过卷积层 feature map 用 ROI pooling固定全连接层的输入维度

　　（4）最后把经过RPN输出的 ROIs映射到 ROI pooling的feature map 上进行 bbox回归和分类。

3， Faster R-CNN

　　我们的目标检测系统，称为Faster R-CNN，由两个模块组成。第一个模块是提议区域的深度全卷积网络，第二个模块是使用提议区域的Fast R-CNN检测器【2】。整个系统是一个单个的，统一的目标检测网络（图2）。使用最近流行的“注意力”【31】机制的神经网络术语，RPN模块告诉 Fast R-CNN模块在哪里寻找。在第3.1节中，我们介绍了区域提议网络的设计和属性。在第3.2节中，我们开发了用于训练具有共享特征模块的算法。

3.1  区域提议网络

　　区域提议网络（RPN）以任意大小的图像作为输入，输出一组矩形的目标提议，每个提议都有一个目标得分。我们用全卷积网络【7】对这个过程进行建模，我们将在本节进行描述。因为我们的最终目标是与Fast R-CNN目标检测网络【2】共享计算，所以我们假设两个网络共享一组共同的卷积层。在我们的实验中，我们研究了具有5个共享卷积层的Zeiler和Fergus模型【32】（ZF）和具有13个共享卷积层的Simonyan和Zisserman模型【3】（VGG-16）。

　　为了生成区域提议，我们在最后的共享卷积层输出的卷积特征映射上滑动一个小网络。这个小网络将输入卷积特征映射的 n*n 空间窗口作为输入。每个滑动窗口映射到一个低维特征（ZF为256维，VGG为512维，后面是ReLU【33】）。这个特征被输入到两个子全连接层——一个边界框回归层（Reg）和一个边界框分类层（Cls）。在本文中，我们使用 n=3，注意输入图像上的有效感受野是大的（ZF和VGG分别为 171 和 228个像素）。图3（左）显示了这个小型网络的一个位置。请注意，因为小网络以滑动窗口方式运行，所有空间位置共享全连接层。这个架构通过一个 n*n 的卷积层，后面是两个子 1*1 卷积层（分别用于Reg和Cls）自然地实现。

3.1.1 锚点

　　在每个滑动窗口位置，我们同时预测多个区域提议，其中每个位置可能提议的最大数目表示为k，因此，reg层具有 4k 个输出，编码 k 个边界框的坐标。cls层输出 2k 个分数，估计每个提议是目标或不是目标的概率。相对于我们称之为锚点的 k 个参考边界框， k 个提议是参数化的。锚点位于所讨论的滑动窗口的中心，并与一个尺度和长宽比相关（图3左）。默认情况下，我们使用3个尺度和3个长宽比，在每个滑动位置产生 k=9个锚点。对于大小为W×H（通常约为2400）的卷积特征映射，总共有WHk个锚点。

平移不变的锚点

　　我们方法的一个重要特性是它是平移不变的。无论是在锚点还是计算相对于锚点的区域提议的函数。如果在图像中平移目标，提议应该平移，并且同样的函数应该能够在任一位置预测提议。平移不变特性是由我们的方法保证的。作为比较，MultiBox方法【27】使用K-Means 生成 800 个锚点，这不是平移不变的。所以如果要平移目标，MultiBox不保证会生成相同的提议。

　　平移不变性也减少了模型的大小，MultiBox 有 （4+1）*800 维的全连接输出层，而我们的方法在 k=9 个锚点的情况下有 （4+2）*9 维的卷积输出层。因此，对于VGG-16，我们的输出层具有 2.8*10⁴ 个参数（对于VGG-16为 512*（4+2）*9），比MultiBox 输出层的 6.1*10⁶ 个参数少了两个数量级（对于MultiBox【27】中的 GoogLeNet【34】为 1536*（4+1）*800） ，如果考虑到特征投影层，我们的提议层仍然比 MultiBox 少一个数量级。我们期待我们的方法在 PASCAL VOC 等小数据集上有更小的过拟合风险。

多尺度锚点作为回归参考

　　我们的锚点设计提出了一个新的方案来解决多尺度（和长宽比）。如图1所示，多尺度预测有两种流行的方法。第一种方法是基于图像/特征金字塔，例如DPM【8】和基于CNN的方法【9】，【1】，【2】中。图像在多个尺度上进行缩放，并且针对每个尺度（图1（a））计算特征映射（HOG【8】或深度卷积特征【9】，【1】，【2】）。这种方法通常是有效的，但是非常耗时。第二种方法是在特征映射上使用多尺度（和长宽比）的滑动窗口。例如，在DPM【8】中，使用不同的滤波器大小（例如 5*7 和 7*5）分别对不同长宽比的模型进行训练。如果用这种方法来解决多尺度问题，可以把它看做是一个“滤波器金字塔”（图1（b）），第二种方法通常与第一种方法联合采用【8】。

　　作为比较，我们的基于锚点方法建立在锚点金字塔上，这是更具成本效益的。我们的方法参照多尺度和长宽比的锚盒来分类和回归边界框。它只依赖单一尺度的图像和特征映射，并使用单一尺度的滤波器（特征映射上的滑动窗口）。我们通过实验来展示这个方法解决多尺度和尺寸的效果（表8）。

　　由于这种基于锚点的多尺度设计，我们可以简单的使用在单尺度图像上计算的卷积特征，Fast R-CNN检测器也是这样做的【2】。多尺度锚点设计是共享特征的关键组件，不需要额外的成本来处理尺度。

3.1.2  损失函数

　　为了训练RPN，我们为每个锚点分配一个二值类别标签（是目标或不是目标）。我们给两种锚点分配一个正标签：（i）具有与实际边界框的重叠最高交并比（IoU）的锚点，或者（ii）具有与实际边界框的重叠超过 0.7 IoU的锚点。注意，单个真实边界框可以为多个锚点分配正标签。通常第二个条件足以确定正样本；但我们仍然采用第一个条件，因为在一些极少数情况下，第二个条件可能找不到正样本。对于所有的真实边界框，如果一个锚点的 IoU 比率低于 0.3，我们给非正面的锚点分配一个负标签。即不正面也不负面的锚点不会有助于训练目标函数。

　　根据这些定义，我们对目标函数Fast R-CNN【2】中的多任务损失进行最小化，我们对图像的损失函数定义为：

 　　其中，i表示一个小批量数据中锚点的所有，pi 是锚点 i 作为目标的预测概率，如果锚点位正，真实标签 pi* 为1，如果锚点位负，则为0，ti 是表示预测边界框 4个参数化坐标的向量，而 ti 是与正锚点相关的真实边界框的向量。分类损失 Lcls 是两个类别上（目标或不是目标）的对数损失。对于回归损失，我们使用 Lreg ，其中R是在【2】定义的鲁棒损失函数（平滑项 L1），项 pi*Lreg 表示回归损失仅对正锚点激活，否则被禁用 pi=0，cls和reg层的输出分别由 pi 和 ti 组成。

 　　这两个项用 Ncls 和 Nreg 进行标准化，并由一个平衡参数 lambda 加权。在我们目前的实现中（如发布的代码中），方程（1）中 cls 项通过小批量数据的大小（即 Ncls=256）进行归一化，reg项根据锚点位置的数量（即 Nreg~2400） 进行归一化。默认情况下我们设置 lambda的值不敏感（表9）。我们还注意到，上面的归一化不是必须的，可以简化。

 　　对于边界框回归，我们采用【5】中的4个坐标参数化：

 　　其中，x, y, w和 h 表示边界框的中心坐标及其宽和高，变量 x， xa和 x* 分别表示预测边界框，锚盒和实际边界框（类似于 y, w, h）。这可以被认为是从锚盒到邻近的实际边界框的回归。

　　然而，我们的方法通过与之前的基于ROI（感兴趣区域）方法【1】【2】不同的方法来实现边界框回归。在【1】【2】中，对任意大小的 ROI 池化的特征执行边界框回归，并且回归权重由所有区域大小贡献。在我们的公式中，用于回归的特征在特征映射上具有相同的空间大小（3*3）。为了说明不同的大小，学习一组 k 个回归器不共享权重。因此，由于锚点的设计，即使特征具有固定的尺度/比例，仍然可以预测各种尺寸的边界框。

3.1.3 训练RPN

　　RPN 可以通过反向传播和随机梯度下降（SGD）进行端到端训练【35】。我们遵循【2】的“以图像为中心”的采样策略来训练这个网络。每个小批量数据都从包含许多正面和负面示例锚点的单张图像中产生。对所有锚点的损失函数进行优化是可能的，但是这样会偏向于负样本，因为他们是占主导地址的。取而代之的是，我们在图像中随机采样 256个锚点，计算一个小批量数据的损失函数，其中采样的正锚点和负锚点的比例可达1:1.如果图像中的正样本少于 128个，我们使用负样本填充小批量数据。

　　我们通过从标准方差为 0.01 的零均值高斯分布中提取权重来随机初始化所有新层。所有其他层（即共享卷积层）通过预训练的 ImageNet 分类模型【36】来初始化，如同标准实践【5】。我们调整 ZF 网络的所有层，以及VGG网络的 conv3_1 及其之上的层以节省内存【2】。对于 60k的小批量数据，我们使用 0.001 的学习率，对于PASCAL VOC 数据集中的下一个 20k小批量数据，使用 0.0001。我们使用 0.9 的动量和 0.00005的重量衰减【37】，我们的实现使用 Caffe【38】。

3.2 RPN 和 Fast R-CNN 共享特征

　　到目前为止，我们已经描述了如何训练用于区域提议生成的网络，没有考虑将利用这些提议的基于区域的目标检测CNN。对于检测网络，我们采用 Fast R-CNN【2】。接下来我们介绍一些算法，学习由 RPN 和Fast R-CNN 组成的具有共享卷积层的统一网络（图2）。

　　独立训练的 RPN 和 Fast R-CNN 将以不同的方式修改卷积层。因此，我们需要开发一种允许在两个网络之间共享卷积层的技术，而不是学习两个独立的网络。我们讨论三个方法来训练具有贡献特征的网络：

　　（i）交替训练。在这个解决方案中，我们首先训练RPN，并使用这些提议来训练 Fast R-CNN。由 Fast R-CNN微调的网络然后被用于初始化 RPN，并且重复这个过程，这是本文所有实验中使用的方案。

　　（ii）近似联合训练。在这个解决方案中，RPN和Fast R-CNN网络在训练期间合并成一个网络，如图2所示。在每次SGD迭代中，前向传递生成区域提议，在训练Fast R-CNN检测器将看做是固定的，预计算的提议。反向传播像往常一样进行，其中对共享层，组合来自RPN损失和Fast R-CNN损失的反向传播信号。这个解决方案很容易实现。但是这个解决方案忽略了关于提议边界框的坐标（也是网络响应）的导数，因此是近似的。在我们的实验中，我们实验发现这个求解器产生了相当的结果，与交替训练相比，训练时间减少了大约 25~50%。这个求解器包含在我们发布的Python代码中。

 　　（iii）非近似的联合训练。如上所述，由RPN预测的边界框也是输入的函数。Fast R-CNN中的 ROI池化层【2】接受卷积特征以及预测的边界框作为输入，所以理论上有效的反向传播求解器也应该包含关于边界框坐标的梯度。在上述近似联合训练中，这些梯度被忽略。在一个非近似的联合训练解决方案中，我们需要一个关于边界框坐标可微分的ROI池化层。这是一个重要的问题，可以通过 【15】中提出的 “ROI扭曲”层来给出解决方案，这超出了本文范围。

 　　四步交替训练。在本文中，我们采用实用的四步训练算法，通过交替优化学习共享特征。在第一步中，我们按照3.1.3 节的描述训练RPN。该网络使用 ImageNet的预训练模型进行初始化，并针对区域提议任务进行了端到端的微调。在第二步中，我们使用由第一步RPN生成的提议，由Fast R-CNN训练单独的检测网络。该检测网络也由ImageNet的预训练模型进行初始化。此时两个网络不共享卷积层。在第三步中，我们使用检测器网络来初始化RPN训练，但是我们修正共享的卷积层，并且只对RPN特有的层进行微调。现在这两个网络共享卷积层。最后，保持共享卷积层的固定，我们对Fast R-CNN的独有层进行微调。因此，两个网络共享相同的卷积层形成统一的网络。类似的交替训练可以运行更多的迭代，但是我们只观察到可以忽略的改进。

3.3  实现细节

 　　我们在单尺度图像上训练和测试区域提议和目标检测网络【1】【2】。我们重新缩放图像，使得它们的短边是 s=600 像素。多尺度特征提取（使用图像金字塔）可能会提高精度，但不会表现出速度与精度的良好折衷【2】。在重新缩放的图像上，最后卷积层上的 ZF 和 VGG网络的总步长为 16个像素，因此在调整大小（~500*375）之前，典型的PASCAL 图像上的总步长为~10个像素。即使如此大的步长也能提供良好的效果，尽管步幅更小，精度可能会进一步提高。

　　对于锚点，我们使用三个尺度，边界框面积分别为128*128， 256*256,512*512 的像素，以及1:1， 1:2 和 2:1 的长宽比。这些超参数不是针对特定数据集仔细选择的，我们将在下一节中提供有关其作用的消融实验。如上所示，我们的解决方案不需要图像金字塔或滤波器金字塔来预测多个尺度的区域，节省了大量的运行时间。图3（右）显示了我们的方法在广泛的尺度和长宽比方面的能力。表1显示了使用ZF网络的每个锚点学习到的平均提议大小。我们注意到，我们的算法运行预测比基础感受野更大。这样的预测不是不可能的——如果只有目标的中间部分是可见的，那么仍然可以粗略地推断出目标的范围。

　　跨越图像边界的锚盒需要小心处理。在训练过程中，我们忽略了所有的跨界锚点，所以不会造成损失。对于一个典型的 1000*600图像，总共将会有大约 20000（approx 60*40*9）个锚点。跨界锚点被忽略，每张图像约有 6000个锚点用于训练。如果跨界异常值在训练中不被忽略，则会在目标函数中引入大的，难以纠正的误差项，且训练不会收敛。但是在测试过程中，我们仍然将全卷积RPN应用于整张图像。这可能会产生跨边界的提议边界框，我们剪切到图像边界。

 　　一些RPN提议互相之间高度重叠。为了减少冗余，我们在提议区域根据他们的cls分数采取非极大值抑制（NMS）。我们将NMS的 IoU阈值固定为 0.7，这就给出每张图像留下了大约2000个提议区域。正如我们将要展示的那样，NMS不会损害最终的检测准确性，但会大大减少提议的数量。在NMS之后，我们使用前N个提议其余来进行检测。接下来，我们使用 2000个RPN提议对Fast R-CNN 进行训练，但在测试时评估不同数量的提议。

4，实验

4.1  在PASCAL VOC 上的实验

　　我们在 PASCAL VOC 2007 检测基准数据集【11】上全面评估了我们的方法。这个数据集包含大约 5000 张训练评估图像和在 20 个目标类别上的 5000 张测试图像。我们还提供了一些模型在 PASCAL VOC 2007基准数据集上的测试结果。对于ImageNet预训练网络，我们使用具有 5 个卷积层和 3 个全连接层的 ZF 网络【32】的“快速”版本以及具有 13 个卷积层和 3个全连接层的公开 VGG-16模型【3】。我们主要评估检测的平均精度均值（mAP），因为这是检测目标的实际指标（而不是关心目标提议代理度量）。

 　　表2（顶部）显示了使用各种区域提议方法进行训练和测试的Fast R-CNN结果。这些结果使用 ZF 网络。对于选择性搜索（SS）【4】，我们通过“快速”模式生成约 2000 个提议。对于EdgeBoxes（EB）【6】，我们通过调整 0.7 的 IoU的默认 EB 设置生成提议。SS在 Fast R-CNN框架下的 mAP为 58.7%，EB的mAP为 58.6%。RPN 与 Fast R-CNN 取得了有竞争力的结果，使用多达 300 个提议，mAP为 59.9%。由于共享卷积计算，使用RPN 比使用 SS 或者 EB 产生了更快的检测系统；较少的建议也减少了区域方面的全连接层成本（表5）。

 　　RPN 上的消融实验。为了研究 RPN作为提议方法的性能，我们进行了几项消融研究。首先，我们显示了RPN和Fast R-CNN检测网络共享卷积层的效果。为此，我们在四步训练过程的第二步之后停止训练。使用单独的网络将结果略微减少到 58.7%（RPN+ZF，非共享，表2）。我们观察到，这是因为在第三步中，当使用检测器调整的特征来微调RPN时，提议质量得到了改善。

 　　接下来，我们分析RPN 对训练Fast R-CNN检测网络的影响。为此，我们通过使用 2000个SS提议和 ZF网络来训练Fast R-CNN模型。我们固定这个检测器，并通过改变测试时使用的提议区域来评估检测的mAP。在这些消融实验中，RPN不与检测器共享特征。

　　在测试阶段用了300个RPN提议替换SS得到了 56.8%的mAP。mAP的损失是因为训练/测试提议不一致。这个结果作为以下比较的基准。

　　有些令人惊讶的是，RPN在测试时使用排名最高的100个提议仍然会导致有竞争力的结果（55.1%），表明排名靠前的RPN提议是准确的。相反的，使用排名靠前的 6000个RPN提议（无NMS）具有相当的mAP（55.2%），这表明NMS不会损害检测mAP并可能减少误报。

　　接下来，我们通过在测试时分别关闭 RPN的 cls 和 reg 输出来调查 RPN的作用。当 cls 层在测试时被移除（因此不使用NMS/排名），我们从未得分的区域中随机采样 N 个提议。当 N=1000（55.8%）时，mAP几乎没有变化，但是当N=100时，会大大降低到 44.6%。这表明 cls分数考虑了排名最高的提议的准确性。

 　　另一方面，当在测试阶段移除 Reg 层（所以提议变成锚盒）时，mAP将下降到 52.1%。这表明高质量的提议主要是由于回归的边界框。锚盒虽然具有多个尺度和窗宽比，但不足以进行准确的检测。

　　我们还单独评估了更强大的网络对RPN提议质量的影响。我们使用VGG-16来训练RPN，仍然使用上述的SS + ZF检测器。mAP从 56.8%（使用RPN + ZF）提高到 59.2%（使用RPN+VGG）。这是一个很有希望的结果，因为这表明RPN+VGG的提议质量要好于RPN+ZF。由于RPN+ZF的提议与SS具有竞争性（当一致用于训练和测试时，都是 58.7%），所以我们可以预期RPN + VGG比SS更好，以下实验验证了这个假设。

　　VGG-16的性能。表3显示了VGG-16的提议和检测结果。使用RPN+VGG，非共享特征的结果是 68.5%，略高于SS的基准。如上所示，这是因为RPN+VGG生成的提议比SS更准确。与预先定义的SS不同，RPN是主动训练的并从更好的网络中收益。对于特征共享的变种，结果是69.9%——比强壮的SS基准更好，但几乎是零成本的提议。我们在PASCAL VOC 2007 和 2012 的训练评估数据集上进一步训练 RPN 和检测网络。该mAP是 73.2%。图5显示了PASCAL VOC 2007测试集的一些结果。在PASCAL VOC 2012测试（表4）中，我们的方法在 VOC 2007 的 trainval+test 和 VOC 2012 的 trainval 的联合数据集上训练的模型取得了 70.4%的mAP。表6和表7显示了详细的数字。

　　接下来我们评估我们的Faster R-CNN系统。使用COCO训练集训练，在COCO测试开发集上Faster R-CNNN有 42.1% 的[email protected]和 21.5% 的mAP@[0.5，0.95]。与相同协议下的Fast R-CNN相比，[email protected]要高 2.8% ，mAP@[.5, .95]要高 2.2% （表11）。这表明，在更高的IoU阈值上，RPN对提高定位精度表现出色。使用COCO训练集训练，在COCO测试开发集上Faster R-CNN有 42.7% 的[email protected]和 21.9% 的mAP@[.5, .95]。图6显示了MS COCO测试开发数据集中的一些结果。