一、背景
关于Fast R-CNN 有个缺点，即使预测速度非常快，但是在提取候选框时还会消耗大量时间，因此引入RPN 用于提取候选框，从而形成Faster R-CNN 的结构。
二、检验过程
(1)输入测试图像；
(2)将整张图片输入CNN，进行特征提取；
(3)用RPN生成建议窗口(proposals)，每张图片生成建议窗口；
(4)把建议窗口映射到CNN的最后一层卷积feature map上；
(5)通过RoI pooling层使每个RoI生成固定尺寸的feature map；
(6)利用Softmax Loss(探测分类概率) 和Smooth L1 Loss(探测边框回归)对分类概率和边框回归(Bounding box regression)联合训练.
三、RPN 理解
https://www.bilibili.com/video/av29987414/