1、R-CNN

R-CNN(Region-based Convolutional Neural Network)分三个步骤：

• 利用’选择性搜索(Selective Search)’算法生成约2k个region proposal，以获取可能出现的目标；
• 对每个region proposal运行CNN；
• 上述得到的CNN进行如下操作：
  a.输入到支持向量机(SVM),以对上述区域进行分类
  b.输入到一个线性回归器，以收缩目标周围边界框(假如目标存在)
  R-CNN模型图如下所示：
  R-CNN

2、Fast R-CNN

Fast R-CNN相较于R-CNN主要是在检测速度方面进行了提升，而提升手段如下：

• 在推荐区域之前，先对图像进行特征提取，这样做的好处是使整个图像只使用一个CNN(之前需要对2k个推荐区域分别运行CNN)
• 将R-CNN中的SVM替换为softmax，softmax直接输出类概率，而使用SVM需要训练多个SVM对每个目标类进行分类
  相较R-CNN而言Fast R-CNN在速度上提升了许多，然而Fast R-CNN仍存在未解决的瓶颈问题：用于生成region proposal的选择搜索算法。

3、Faster R-CNN

Faster R-CNN在Fast R-CNN的基础上通过引入region proposal网络(RPN)来代替选择搜索算法。