本稿では、従来のRPN（Region Proposal Network）が「ヒューリスティックにアンカーやスケール・アスペクト比を定義し」「特徴量をアンカーに合わせる」ことに起因する制約を「体系的」に克服することで、領域提案の品質および検出性能を向上させるアーキテクチャとして、カスケード領域提案ネットワーク（Cascade Region Proposal Network, Cascade RPN）を提案する。まず、従来の複数のアンカー（事前に定義されたスケールおよびアスペクト比を有する）を用いる手法とは異なり、各位置に対して1つのアンカーのみを用い、複数段階にわたる精細化を実現する。各段階では、初期段階ではアンカーに依存しない指標を用いてポジティブサンプルを定義し、その後の段階ではアンカーに基づく指標を順次適用することで、ポジティブサンプルの定義基準を徐々に厳しくしていく。第二に、各段階において特徴量とアンカーの間の整合性を確保するため、適応的畳み込み（adaptive convolution）を提案する。この手法は、画像特徴量に加えてアンカー情報を入力とし、アンカーに従って特徴量のサンプリングを学習する。単純な2段階構成のCascade RPNは、従来のRPNに比べてAR（Average Recall）で13.4ポイント向上し、既存のすべての領域提案手法を上回る性能を達成した。Fast R-CNNおよびFaster R-CNNに適用した場合、それぞれ検出のmAP（mean Average Precision）を3.1ポイントおよび3.5ポイント向上させた。本研究のコードは、以下のURLで公開されている：\url{https://github.com/thangvubk/Cascade-RPN.git}。