rcnn:看作分類問題，算法的組合：候選框+卷積提取特征+svm分類

候選框是借用外來的方案，深度學習只是用來提取特征，分類是svm算法，所以不是端到端的方案

1：邊緣策略，先根據圖像像素之間的關系聚類得到很多的候選框，這部分有很多的方案，比如：selectivesearch

2：根據得到的候選框，分別在每一個候選框上面進行卷積運算

3：把每個候選框得到的卷積運算再分類即可

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

fast-rcnn

針對R-CNN的改進：共享圖窗計算，從而加速
1：不是在每個候選框上面進行了卷積運算，而是在統一的進行卷積運算，加快了速度

2：分類不是svm了，而是使用全連接了，先FC然後softmax分類了

3：整個過程是端到端的，不再是組合的算法

----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

faster-rcnn

Region Proposal(候選圖窗)一定要另外獨立做嗎？一起用RPN做完得了！
改進：候選框不再是另外的方案，而是使用了RPN

所以包含了4個損失函數

關於RPN：Region Proposal Network

11月深度學習班第5課圖像物體檢測：rcnn/fast-rcnn/faster-rcnn