Najnowocześniejsze sieci wykrywania obiektów zależą od algorytmów proponowania regionów do hipotezowania lokalizacji obiektów. Postępy takie jak SPPnet i Fast R-CNN skróciły czas działania tych systemów lokalizacyjnych, ujawniając obliczanie propozycji regionów jako wąskie gardło. W tej pracy przedstawiamy Sieć Propozycji Regionu (RPN), która oferuje pełnozakresowy obraz z układem rozpoznawania, odpowiednio wzmacniając bezkosztową propozycję okręgu. RPN jest całkowicie konwolucyjną organizacją, która jednocześnie przewiduje granice artykułu i punktację obiektywności na każdym stanowisku. RPN jest przygotowany do tego, by zacząć kończyć, by stworzyć wielką propozycję dzielnicy, która jest wykorzystywana przez Fast R-CNN do identyfikacji. My dalej konsolidować RPN i Szybki R-CNN w samotny system przez dzielić ich konwulsyjny pasemka – używać od opóźniony główny nurt frazowanie neuralny system z “rozważać” instrument, RPN segment radzić przynosić razem system dokąd szukać. W przypadku niezwykle głębokiego modelu VGG-16, nasz system identyfikacji ma szybkość obudowy 5fps (licząc wszystkie środki) na procesorze graficznym, osiągając jednocześnie najlepszą w swojej klasie precyzję rozpoznawania obiektów w PASCAL VOC 2007, 2012 i zbiorach danych MS COCO z zaledwie 300 zaleceniami dla każdego obrazu. W rywalizacji z ILSVRC i COCO 2015, Faster R-CNN i RPN są pierwszymi zwycięskimi przejściami w kilku torach. Kod został udostępniony publicznie.