Diese Arbeit betrachtet eine Architektur, die als Cascade Region Proposal Network (Cascade RPN) bezeichnet wird, um die Qualität der Regionsvorschläge und die Detektionsleistung systematisch zu verbessern, indem die Beschränkung des herkömmlichen RPN adressiert wird, der Anchors heuristisch definiert und die Merkmale an diese Anchors ausgerichtet werden. Zunächst setzt die Cascade RPN anstelle mehrerer Anchors mit vordefinierten Skalen und Aspektverhältnissen pro Ort auf einen einzigen Anchor und führt eine mehrstufige Verfeinerung durch. Jede Stufe definiert positive Samples zunehmend strenger, indem sie zunächst eine anchorfreie Metrik verwendet und anschließend in den nachfolgenden Stufen anchorbasierte Metriken einsetzt. Zweitens wird zur Erzielung einer stetigen Ausrichtung zwischen Merkmalen und Anchors über alle Stufen hinweg adaptive Faltung (adaptive convolution) vorgeschlagen, die sowohl die Anchors als auch die Bilddaten als Eingabe erhält und die abgetasteten Merkmale durch die Anchors leitet. Eine einfache Implementierung einer zweistufigen Cascade RPN erreicht eine Verbesserung der AR um 13,4 Punkte gegenüber dem herkömmlichen RPN und übertrifft damit alle bestehenden Methoden zur Regionsvorschlagserstellung. Bei der Anwendung auf Fast R-CNN und Faster R-CNN steigert die Cascade RPN die DetektionsmAP jeweils um 3,1 und 3,5 Punkte. Der Quellcode ist öffentlich über \url{https://github.com/thangvubk/Cascade-RPN.git} zugänglich.