RCNN
（1）selective search 算法 选择出可能包含目标的目标框，如下，但是找到的目标不一定都是需要的目标，而且在CPU上跑
（2）对于每个可能的候选框分别卷积，提取特征（因为分类和回归任务全连接层不一样的话，不同尺寸的特征图不能做）
（3）然后对每个特征图做了分类和回归任务
针对RCNN中每个卷积不能共享（全连接层必须尺寸一样的特征图）提出了Faste rcnn
（1）整个图像做了一个全卷积，得到特征图
（2）将图像中可能存在目标的区域（这个还是用selective search算法得到）映射到特征图中（感受野），ROIs
（3）做了ROI Pooling，将特征图比较大的区域框，提取更多的，特征图比较小的区域框，提取小的，然后拼接成同一大小的特征图
（4）将这个特征图连接到全连接层作分类和回归任务
ROI pooling：
Faster rcnn：
（1）整张图像进行卷积得到特征图
（2）对特征图进行RPN操作，得到可能是目标区域的候选框（相对于原始图像的候选框），代替了selective search算法
（3）将这个候选框映射到（1）中得到的特征图上
（4）进行分类和回归
详细过程如下：
