目标检测：输入一张图像，输出图像中所含的所有目标物体以及它们的位置

R-CNN

步骤：提取框（Selective Search搜寻存在物体的区域）——提取特征（将区域缩放统一大小送入CNN中提取特征）——分类（使用SVM进行分类）——非极大值抑制

训练：在数据集上训练CNN；在目标检测的数据集上，对训练好的CNN做微调；用Selective Search搜索候选区域，统一微调后的CNN来提取特征，并存储起来；训练SVM分类器。

缺点：通过Selective Search得到的区域1000以上，重复计算1000多次神经网络；训练阶段将特征保存起来再通过SVM训练，耗时。

 SPPNet

 将CNN（加入了ROI池化层）的输入从固定尺寸改进为任意尺寸。

特征提取不同：使用ROI池化层，可以先对图像进行卷积计算得到整个图像的卷积特征，在卷积特征中找到候选框对应的位置框，使用ROI池化层对位置框中的卷积提取特征。

改进：只需要计算一次卷积

Fast R-CNN

改进：不再使用SVM作为分类器，使用神经网络分类，可以同时训练特征提取网络和分类网络。直接使用全连接层，一个输出负责分类（K类物体，输出K+1个数，有一类为背景类针对无目标物体的情况），另一个输出负责框回归（对原始的检测框进行某种程度的校准）

Faster R-CNN

改进：用RPN网络取代了Selective Search。在训练十需要训练RPN网络和在得到框之后使用的分类网络，交替训练，在一个batch内，先训练RPN，再训练分类网络。

先使用一个CNN网络对原始图片提取特征，对卷积特征进行一次卷积计算，让新的卷积特征的每一个位置负责对应的框检测。这个特征对应两个输出：一是表示该位置的anchor为物体的概率，另一部分是框回归。