首先，RPN是怎么选出候选区域的？见上面示意图。在VGG网络提取整个特征图像后，我们使用一个3*3的滑窗在这个图像上滑动，对于每一个位置，我们同时预测k个不同region proposals，所以左上角的分类层含有2k个输出（表明是否为物体的概率），右上角的边框回归层有4k个输出（表示region的坐标到groundtruth的坐标的四个矫正量）。其中，这k个proposals分别对应原图中k个框框里面object的大致位置。
其次，为什么一个卷积出来的256-d向量能对应k个anchors？个人理解，anchor boxes的size是我们人为固定好了的（anchor boxes的大小对应的是原图像的，它中心点是原图像上anchor boxes的中心点，对应到示意图里就是那个蓝点点），但是实际上神经网络中并没有把这k个anchor boxed坐标当做神经网络里的参数。而是，神经网络在训练的过程中，每个anchor会根据它对应的k个boxes学出4*k个坐标矫正量（坐标矫正量是根据，“anchor对应的anchor boxes的坐标与物体的groundtruth的坐标，这二者的偏差量”得到的loss来学习）。（如果理解有误，还望在评论中批评指出，谢谢！）
