RCNN
RCNN主要步骤：
（1）生成候选框（select search）。在图像中确定2k个候选框，采用Felzenszwalbs‘s method、SLIC、quick shift等方法实现。
（2）将生成的候选框缩放至相同大小，输入CNN进行提取特征
（3）分类。对候选框中的特征进行判别，SVM
（4）回归。对某一特征的候选框，调整位置。
缺点：对生成的每个候选框都进行CNN特征提取，时间花费过多；候选框缩放，精度降低
SPPnet
论文：
SPP-Net是对rcnn的改进，spatial Pyramid Pooling，主要观点：
（1）共用特征卷积图
（2）空间金字塔池化，有效地解决了不同尺度的图片在全连接层输出不一致的问题。
fast RCNN
RCNN主要步骤：
（1）生成候选框（select search）。在图像中确定2k个候选框，采用Felzenszwalbs‘s method、SLIC、quick shift等方法实现。
（2）对整张图像进行卷积CNN特征提取。
（3）通过将候选框映射在conv5输出的feature map上。输入ROI pooling层（单层sppNet）进行下采样。
（3）分类。对候选框中的特征进行判别，SVM
（4）回归。对某一特征的候选框，调整位置。
NOTE：
SPPnet中金字塔模型的每一个刻度相当于一层，如插图（16（4*4）+4（2*2）+1（1*1）=21），相当于有3层金字塔，fast rcnn的ROI pooling，相当于是sppNet的单层金字塔。roi_pool层将每个候选区域均匀分成M×N块（对应候选区域的纵横比），（不是上面所讲的n*n,通过m*n进行尺度的缩放，如16*8，而固定大小为4*4，即均匀分成4*2块）。。。实现pooling后，即可将候选区域固定为大小一样的特征图
RCNN和fast RCNN：
rcnn：
SS候选框（2000个）—> 对每个候选框CNN特征提取—->分类+回归
fast rcnn：
一张图像—->CNN特征提取—->(SS候选框的特征进行对应提取)—>ROI pooling—>分类+回归
创新点：
（1）fast RCNN实现了大幅度提速，原因：仅对整张图像做一次CNN特征提取，通过将候选框映射在conv5输出的feature map上。
（2）fast rcnn使用ROI pooling使得尺寸保持一致。
（3）将分类和回归统一，实现多任务学习。
缺点：候选框的生成仍使用Select Search方法，无法应用GPU。
候选框的选择使用非极大值抑制NMS（Non maximum Suppression），局部最大搜索方法。
faster RCNN
优化候选框选择算法
具体步骤为：
1、对整张图进行CNN特征提取，得到feature map
2、feature map输入RPN（region proposal network），快速生成候选区域；（anchor机制）
3、通过交替训练，使RPN和Fast-RCNN网络共享参数；
4、应用分类和回归。
mask RCNN
https://blog.csdn.net/xiao__run/article/details/81284094
SDD
1.多尺度的特征图用来检测
2.去掉了全连接层
3.设置先验框