Las redes de detección de objetos de última generación dependen de los algoritmos de propuesta de regiones para formular hipótesis sobre la ubicación de los objetos. Avances como SPPnet y Fast R-CNN han disminuido el tiempo de funcionamiento de estos sistemas de localización, descubriendo el cálculo de la propuesta de la región como un cuello de botella. En este trabajo, presentamos una Red de Propuestas de Regiones (RPN) que ofrece una imagen completa de los aspectos más destacados con el reconocimiento de arreglos, en consecuencia, la potenciación de la propuesta de distrito sin costo alguno. Una RPN es una organización completamente convolutiva que al mismo tiempo predice los límites de los artículos y las puntuaciones de objetividad en cada posición. La RPN está preparada de principio a fin para producir una gran propuesta de distrito, que es utilizada por Fast R-CNN para la identificación. Consolidamos aún más la RPN y Fast R-CNN en un sistema solitario compartiendo sus puntos culminantes convolucionales – utilizando la última frase de la corriente principal de los sistemas neuronales con instrumentos de “consideración”, el segmento RPN aconseja al sistema reunido dónde buscar. Para el modelo VGG-16 extremadamente profundo, nuestro marco de identificación tiene un ritmo de carcasa de 5fps (contando todos los medios) en una GPU, mientras que logra la mejor precisión de reconocimiento de objetos de su clase en PASCAL VOC 2007, 2012, y los conjuntos de datos de MS COCO con sólo 300 recomendaciones para cada imagen. En las rivalidades de ILSVRC y COCO 2015, Faster R-CNN y RPN son los establecimientos de los primeros pasajes ganadores en unas pocas pistas. El código se ha hecho abiertamente accesible.