Faster R-CNN中RPN为什么能进行候选区域提取？

因为还没搞清楚，所以以下内容有猜测成分。

• 对于models\rpn_prototxts\ZF\train_val.prototxt，当输入图像“data”的尺寸是224*224*3时，那么前向传播过程中conv_5的输出的blob的维度就是15*15*256*1，其中15*15是特征图的大小，256是特征图的通道数。
• 接下来，conv_5层的输出作为conv_proposal1层的输入，conv_proposal1的输出也是15*15*256*1，这一步的作用就是Faster R-CNN论文中所说的3*3的滑动窗口，也就是提取15*15个256d的特征向量。然后，论文中说，该特征向量输出给两个同级的全连接层，也就是proposal_cls_score层和proposal_bbox_pred层，这两个层实现为1*1的卷积层。
• proposal_cls_score层的输出数据维度为15*15*18*1,proposal_bbox_pred层的输出数据维度为15*15*36*1，这里15*15意义同上，18则对应9个anchors的分类信息(前景 / 背景)，36则对应于9个anchors的参数化坐标（所谓参数化坐标，也就是并非实际意义上的坐标。论文中有提到其公式）。
• 为什么rpn能够进行候选区域提取？我还搞不懂，只能猜一下。我不明白深度学习的机理，但试图用已有的理解去拟合它。监督学习的算法，是给定一定数量的（x，y）数据对，以此作为输入数据，然后让模型的参数自动调整，以更好地拟合这种函数关系。那么类似地，在训练RPN时，输入一张图像，前向传播到proposal_bbox_pred层会输出了一个结果，这个结果与我们事先确定的标签，也就是前景区域的坐标进行比对，计算误差。然后反向传播，调整模型参数，以使该误差降低。当误差降到一定程度时，proposal_bbox_pred层的输出就约等于候选区域的坐标。
• 是否可以这么认为：在训练之前，模型在proposal_bbox_pred的输出没有明确的意义，而在标签信息限制下的训练过程才使得该输出具有了一定的意义。那么，进一步是不是可以认为，深度学习的方法是：只要给定准确的训练的数据，那么即使在模型很模糊（未明确实际意义）的情况下，也能强行将该之训练成那种输出具有“实际意义”的模型？