State-of-the-art objectdetectienetwerken zijn afhankelijk van regio-voorstelalgoritmen om objectlocaties te hypothekeren. Vooruitgang zoals SPPnet en Fast R-CNNN hebben de looptijd van deze locatiesystemen verkort, waarbij de berekening van het districtvoorstel als knelpunt aan het licht is gekomen. In dit werk presenteren we een Region Proposal Network (RPN) dat full-picture convolutionele hoogtepunten biedt met de herkenningsregeling, waardoor het mogelijk wordt om zonder kosten een districtspropositie in te stellen. Een RPN is een volledig convolutioneel organisatieschema dat tegelijkertijd artikellimieten en objectiviteitsscores op elke positie voorspelt. Het RPN is bereid om te beginnen met de afwerking om een geweldige wijkpropositie te produceren, die door Fast R-CNNN wordt gebruikt voor de identificatie. We consolideren RPN en Fast R-CNNN verder in een solitair systeem door hun convolutionele hoogtepunten te delen – gebruikmakend van de late mainstream frasering van neurale systemen met ‘consideratie’ instrumenten, adviseert het RPN-segment het samengebrachte systeem waar te kijken. Voor het extreem diepgaande VGG-16-model heeft ons identificatiekader een omhullingssnelheid van 5 fps (alle middelen meegerekend) op een GPU, terwijl het de beste in klasse objectherkenningsprecisie bereikt op PASCAL VOC 2007, 2012, en MS COCO-datasets met slechts 300 aanbevelingen voor elk beeld. In ILSVRC en COCO 2015 rivaliteit, zijn Faster R-CNN en RPN de vestigingen van de eerste spotwinnende passages in een paar sporen. De code is openlijk toegankelijk gemaakt.