[CLS 02 · 从类别到区域与掩码](/course/notebooks/f9ab632ba16b4f2084669791cba6ba85.html)

# Faster R-CNN：让候选也由特征提出
[独立阅读](/course/notebook-blocks/d4372ab8df884c7e9001495510cf38ac.html)
主线阅读与优先实验

同图四输出、共享计算、FCN、RoIAlign、信息碰撞与SAM接口

### Faster R-CNN：让候选也由特征提出

Faster R-CNN 的区域建议网络（RPN）在共享特征图上预测候选是否像对象，并调整候选框的位置。它把“值得进一步查看的区域”也变成可训练输出，再交给后续区域分类与框回归。[Faster R-CNN](https://arxiv.org/abs/1506.01497)

三步的变化可以这样读：逐区域重复抽特征 → 整图特征共享 → 在共享特征上学习提出候选。检测监督包含对象类别与框；已有分类权重提供起点，新的输出仍需学习。

**到此停一下：** 如果所有框都准确了，我们是否已经知道每一个杯子把手的像素边界？下面从另一个问题出发，不把 FCN 排成 Faster R-CNN 的下一版。