RCNN、fast RCNN 和faster RCNN
R-CNN
R-CNN的目标是分析图像，并正确识别图像中主要对象，通过边界框标出对象的具体位置。
输入：图像
输出：图像中每个对象的边界框和标签
Step1：利用 selective search 算法找到大约2000个 region proposal
Step2: 利用CNN对每个 region proposal 提取上述区域的特征（即使这些区域大多是重叠的），通过SVM确定边框中的图像类别；
Step3：对每个分好类的 region proposal 做 bounding−box regression 纠正，应用LinearRegression，输出更紧密的边框坐标。
Fast R-CNN
R-CNN不足
单个图像的每个region proposal都需要CNN进行判断，每次判断大约需要2000次FP。
此网络必须单独训练三种不同的模型：提取图像特征的CNN网络，判断类别的分类器和缩小边框的回归模型，使得训练复杂
引入ROIPooling
最后一个卷积之后加了RoIPool层，然后使用池化操将所有RoI统一成一样大小。
概括：RCNN先找再卷积；Fast RCNN先卷积再找
优化损失函数
使用multi−taskloss做完训练时的损失函数，将bounding−box regression直接加入到CNN网络中训练。
整合单元模型
Fast R-CNN将CNN、Classifier和LR整合成一个单输入双输出的网络。具体而言在CNN输出层用softmax函数代替了SVM分类器，来输出对象类别；同时在CNN输出层，还加入了用来输出边界框坐标的线性回归层。这样单个网络就可以输出所需信息。
所以，这个过程可以理解为：
Step1： 利用 selective search 算法找到大约2000个 region proposal ；
Step2：原始图像一次卷积得到 feature map ;
Step3: 将原始图像和 feature map 进行映射,在 feature map 中找到： region proposal ，然后进行RoI Pooling，变成一样尺寸大小的，再输入 Fc ；
Step4：最后输入两个softmax：判定是否含有object、给出 bouding box的值。
整个模型的输入和输出分别为：
输入：带多个区域建议的图像。
输出：具有更紧密边界框的每个区域的对象类别。
Faster R-CNN
Fast R-CNN的不足
仍然依赖 selective search region proposal给出的结果，而寻找region proposal本身就是一个很大的开销。
出发点：
优化对单独运行选择性搜索算法的方式，重复利用多个region proposal中相同的CNN结果，几乎把边框生成过程的运算量降为0
提出Region Proposal Network(RPN)
其核心思想是使用卷积神经网络直接产生region proposal(主要是认为 feature map 中每一个像素点都是原图中一部分的映射得到的，所以直接根据 feature map 在原图中找到若干 region proposal )
Step1：对于原图进行一次CNN输出一张 feature map ，尺寸记为m∗m;
Step2：对于m∗m个点，在原图中找9个 anchor ，一共是m∗m∗9个；
Step3：上述 anchor 同样经过两个softmax（和fast r-cnn一样），取topN个结果返回