Region Proposal Network（RPN）は、画像認識における物体検出タスクにおいて、検出対象の物体が存在する可能性が高い領域（候補領域）を高速に予測する畳み込みニューラルネットワーク（CNN）の一種です。Faster R-CNNなどで導入され、従来の選択的探索アルゴリズムをネットワークに統合することで、物体検出全体の処理速度と精度を劇的に向上させました。
Region Proposal Networkとは
Region Proposal Network（RPN）は、入力画像から物体が存在しそうな候補領域（Region Proposal）を効率的に検出・提案するための畳み込みニューラルネットワークです。
詳しく解説
従来の物体検出モデルであるFast R-CNNなどでは、物体候補の抽出に「Selective Search」というルールベースのアルゴリズムが使われていました。これはCPUで動作するため処理のボトルネックとなっていました。RPNは、この候補領域抽出を畳み込みニューラルネットワーク（CNN）内の特徴マップ上で並列に処理する仕組みを導入しました。具体的には、特徴マップ上の各位置に対して異なるアスペクト比やスケールを持つ「アンカーボックス」を適用し、そのボックス内に物体が存在するかどうか（オブジェクト性スコア）と、ボックスの正確な位置補正（バウンディングボックス回帰）を同時に予測します。これにより、特徴抽出のバックボーンネットワークと候補領域生成ネットワークが計算を共有できるようになり、エンドツーエンドでの学習と圧倒的な高速化（Faster R-CNNの実現）が可能となりました。
具体例・使われ方
RPNは、監視カメラ映像から不審者や車両をリアルタイムに検知するシステム、自動運転車における歩行者や障害物の検知、医療画像診断における病変部位の自動特定などで広く応用されているFaster R-CNNなどの2段階物体検出アルゴリズムの中核として利用されています。
似た用語との違い
物体検出のアプローチにおいて、RPNを用いる「Faster R-CNN」のような2段階（Two-stage）手法は、まずRPNで候補を絞り込んでから詳細なクラス分類を行います。一方、「YOLO」や「SSD」といった1段階（One-stage）手法は、RPNのような独立した候補領域提案ネットワークを持たず、画像全体から一度の処理で直接物体の位置とクラスを同時予測します。2段階手法（RPNあり）は精度が高い傾向にあり、1段階手法は処理速度に優れる傾向があります。
注意点
RPNの予測精度は、事前に設定するアンカーボックスの数やサイズ、アスペクト比などのハイパーパラメータに大きく依存します。対象とするデータセットに極端に小さい物体や細長い物体が含まれる場合、適切に設定をチューニングしなければ検出漏れが発生しやすくなります。また、1段階手法と比較すると、RPNを介する構造上、リアルタイム処理が必要な極限の環境（超高速なフレームレートが求められるシーンなど）では計算コストがボトルネックになることがあります。