目标检测是计算机视觉领域中非常重要的任务,当前许多目标检测方法都采用了anchor boxes作为回归参考。然而,检测器的精度对anchor boxes的具体设置非常敏感,当我们把这些检测方法运用在不同的任务或数据集时,通常不可避免地要对anchor boxes进行重新设置。Anchor boxes的正确设置可能因不同的数据集而有很大的差异,这严重限制了目标检测器的通用性。为了提高目标检测器的自适应性,在本文中,我们提出了一种新颖的基于维度分解的候选区域提取网络(dimension-decomposition region proposal network,De RPN),该网络可以完美取代传统的候选区域提取网络(Region Proposal Network,RPN)。De RPN利用anchor string机制以独立匹配对象的宽和高,更有利于应对各种各样的目标形状。另外,本文设计了一种新颖的尺度敏感损失函数来解决不同尺度目标的loss不平衡计算问题,这可以避免小目标的loss被大目标所淹没。本文在一系列公开数据集上进行了综合实验,其中包括三个通用目标检测数据集,分别是PASCAL VOC 2007,PASCAL VOC 2012和MS COCO。我们对RPN和De RPN产生的候选区域进行了评估,其次验证了De RPN带来的整体精度提升,这些实验都证明了我们所提出的基于维度分解的候选区域提取网络明显优于传统的候选区域提取网络。此外,我们将De RPN应用到自然场景文本检测任务上,以进一步验证其自适应性,所用到的数据集包括ICDAR 2013和COCO-Text。在没有任何专门优化的情况下,De RPN在自然场景文本检测任务上取得了很优秀的表现,甚至还超越了一些专业的文本检测算法。总体而言,本文所提出的De RPN可以被直接运用在不同的模型,任务和数据集上,而无需进行任何超参数的修改或专门的优化,De RPN具有极强的自适应性。