候选集合应覆盖对象，但其中可以有局部、背景与多对象框。先看漏掉对象是候选完全没有覆盖，还是后级没有选中；两种失败需要不同改动。训练分配与评价匹配的规则留在下方算例，不把 proposal 当已识别对象。
完整杯子、半只杯子、背景和两杯共同框四种候选叠加于同一图片。
为什么先产生很多候选？因为直接在所有位置和大小上寻找对象，搜索空间很大。候选阶段先尽量把真目标覆盖住，后续再筛选与修正。 所以 proposal 不是最终物体答案。这个框只含半只杯子，那个框主要是桌面，还有一个框同时包住两个对象；它们都可能进入候选集合。我们希望候选不要漏掉真对象，却不能因为候选很多就说检测很好。 训练也因此多了新内容：哪些区域算前景，哪些算背景，怎样与人工标注的目标对应。这里先抓住任务分工，不逐条展开所有阈值。下一页看这条朴素路线的计算代价：大量相近的区域，究竟重复算了什么？
proposal 的含义是“值得进一步检查的区域”。它可以覆盖完整杯子，也可以只有半只杯子、包含桌面，或把两只杯子一起框住。候选阶段尚未交付最终的类别、数量与精确边界。
设某张图有两只杯子。若候选集合里完全没有接近右杯的框，后面的区域分类再强，也很难在当前流程中找回它。因此可以先看 proposal recall：在某个 IoU 门槛下，有多少真值对象至少被一个候选覆盖。候选很多可能提高这个召回，却增加计算与重复；后续分类和框回归再筛去背景、校正近似位置。
训练时，“这是不是前景”和“它应该往哪移动”也分开。一个背景区域有分类目标，却没有应当回归到某只杯子的唯一位置目标。具体的正负阈值、强制匹配和忽略区间随方法而异；不要把课堂上一组示例阈值视为所有检测器的定义。
可以先在图上指出一只完全漏掉的杯子，再问该改候选覆盖还是区域分类。这个定位比笼统地说“网络不够强”更能指导实验。
沿 CLS07 的公式定位疑问，再选 LAB09 解析练习或 LAB10 完整训练。
框是教学候选，不是外部区域方法的实际输出。原始 R-CNN 使用 Selective Search 等候选来源；不把 proposal 当作已识别对象。