在Faster RCNN中对RPN的理解（基于需要训练得到粗略proposals）！附带绘图代码！

fast与rpn结合形成faster rcnn

在先前的研究中，已经应用过RPN模块，但当时主要精力集中于自身网络架构的调整与优化。此次再次接触该模块时，重新对其进行了审视与优化，并在此记录相关思考。

若将RPN视为一个黑箱模型，最为关注的焦点便是其输入与输出机制。RPN的输入为一张图像，而输出则是一系列候选区域（object proposals）。实际上，RPN可以被视作一个嵌入式的子网络结构，这正是两阶段目标检测方法的核心体现——即进行初步、第一阶段的学习过程。

（RPN本质上是一个小型且较为粗糙的目标检测CNN模型，其功能并非具体识别或分类目标类别，而是判断某区域属于前景还是背景；在定位方面，则是通过锚点机制使检测框逐渐逼近真实标注框（回归：通过怎样的调整方式使得锚点更接近真实边界框）。此时的检测结果尚不够精确，仅能大致确定目标的位置范围，后续由Fast R-CNN等模块进行进一步精调。这种机制实际上可理解为一种注意力机制，这也是两阶段方法相较于一阶段方法（如YOLO）更为精准的原因所在）

训练流程如下：

1. 将图像输入至VGG或ResNet等共享卷积层中，从而获得