RCNN
RCNN (Regions with CNN features) 的核心思想是把图像划分成N（2000）个独立的区域，分别提取每个区域的CNN特征，然后把这些特征使用SVM等分类器进行结果预测，把目标检测任务转换成了分类任务。RCNN由Ross Girshick在2013年提出。
RCNN算法的4个步骤：
1. 候选区域选择
选择候选区域就是进行区域提名（Region Proposal）操作，找出潜在的感兴趣区域。区域提名会提取到很多有重合区域的ROI，所以一般还会进行合并操作，综合考虑如色彩，灰度，轮廓等因素，既要保证不会漏掉有用的区域，又不至于重叠太多。Ross Girshick的RCNN论文中取了2000个区域候选狂。
2. 区域大小归一化
把第一步提取到的候选区域执行大小归一化，论文中是归一化到227×227。
3. CNN特征提取
对每一个归一化后的候选框区域执行标准的CNN过程，通过一系列卷积和池化操作，最后再通过2个全连接层，得到每个候选区域的固定维度的特征向量。
4. 分类与边界回归
把步骤3中得到的特征向量使用SVM分类器（需要训练好基于CNN特征的SVM分类器）进行分类，用边界回归（Bounding-box regression)算法调整目标区域的位置，合并重叠区域，完成精确定位。
RCNN存在的主要问题：
- 1. 重复计算，RCNN中的2000个候选框都要进行CNN操作，重复计算量很大。
- 2. 训练的空间和时间代价很高，RCNN中的区域提名、特征提取、分类和回归没能在一个流程中统一起来，有的需要单独离线进行，候选区域需要单独保存，占用磁盘空间较大。
- 3. 检测速度慢，在GPU上检测约需要13S，CPU上约需要53S。
SSP-net
2014年，何恺明等对RCNN进行了改进，提出SPP-net（Spatial Pyramid Pooling net），SPP-net相比RCNN的改进主要有两点:
一，使用空间金字塔方法实现维度归一化
去掉了RCNN中对原始图像进行的剪裁，拉伸缩放等归一化操作（这些warp操作导致物体的畸变，或几何失真），转而采用空间金字塔的方式，支持数据的多尺度输入。
SPP-net的金字塔方法通过一个SPP层实现，加在最后一个卷积层后，第一个全连接层之前，实现了不同尺度的特征送入全连接层之前的维度归一化，
二， 只对原图提取一次卷积特征，不再对每个候选区域单独执行CNN操作，在后边做一个候选区域的映射，对应到候选区域的特征上，减少了大量重复计算。
Fast-RCNN
2015年，Ross Girshick提出了 Fast-RCNN，Fast-RCNN结合了SPP-net的优点，主要为了解决2000个候选框带来的重复计算问题，提高训练和检测效率，主要思想是使用一个叫做 ROI Pooling的结构，可以看做是单层的SPP-net层，可以把不同维度的CNN特征归一化到统一维度，之后经过全连接层再softmax分类。梯度也可以通过这个ROI池化层直接传播，训练不再需要多步进行。
实验结果表明，Fast RCNN的测试速度比RCNN快213倍，比SPP-net快10倍。
Faster RCNN
Faster RCNN利用 RPN（Region Proposal Network）网络来完成候选框的选取，取代了传统的区域提名方法。
RPN网络以任意大小的图片作为输入，输出一系列矩形区域提名，每个区域对应一个目标类别分数以及对应的位置信息。
Faster RCNN的主要步骤：
- 1. 提取CNN特征，以整张图作为输入，只计算一次CNN
- 2. 区域提名，在最终的CNN特征上，为每个点利用9个不同的矩形框，提名候选区域
- 3. 区域判定和边界回归：先对每个候选矩形框进行目标物体和非目标物体的二分类，排除掉非目标物体的矩形框，再用9个回归模型（对应9个矩形框）微调候选框位置和大小。
- 4. 分类和边界回归，对步骤3中提供的候选框结果进行筛选，目标分类和边界回归。