基于区域提议网络（RPN）的对象检测，例如具有CNN的快速区域（Faster R-CNN），由于其高精度和快速而备受关注。但是，在特殊应用场合（例如车载车辆检测）中使用时，它还有改进的余地。原始RPN在最后一个特征图的每个像素上均匀地定位多尺度锚点，并分类一个锚点是前景还是背景的一部分，在最后一个特征图中具有一个像素。最后一个特征图中每个像素的接受场在原始的更快的R-CNN中固定，并且与锚点大小不一致。因此，大型车辆只能看到某个部分，而小型车辆的特征中包含太多无用的信息。这降低了检测精度。此外，

基于区域提议网络（RPN）的对象检测，例如具有CNN的快速区域（Faster R-CNN），由于其高精度和快速而备受关注。 但是，在特殊应用场合（例如车载车辆检测）中使用时，它还有改进的余地。 原始RPN在最后一个特征图的每个像素上均匀地定位多尺度锚点，并分类一个锚点是前景还是背景的一部分，在最后一个特征图中具有一个像素。 最后一个特征图中每个像素的接受场在原始的更快的R-CNN中固定，并且与锚点大小不一致。 因此，大型车辆只能看到某个部分，而小型车辆的特征中包含太多无用的信息。 这降低了检测精