卷积神经网络（CNN,R-CNN, Fast R-CNN，Faster R-CNN）

CNN（卷积神经网络）步骤：

• 图片输入
• 将图片分成多个区域：
• 将每个区域看作单独的图片。
• 把这些区域照片传递给CNN，将它们分到不同类别中。
• 当把每个区域都分到对应的类别后，再把它们结合在一起，完成对原始图像的目标检测

R-CNN（基于区域的卷积神经网络），检测目标物体的步骤如下：

• 首先取一个预训练卷积神经网络。
• 根据需要检测的目标类别数量，训练网络的最后一层。（选择性搜索得到感兴趣区域）
• 得到每张图片的感兴趣区域（Region of Interest），对这些区域重新改造，以让其符合CNN的输入尺寸要求。
• 得到这些区域后，我们训练支持向量机（SVM）来辨别目标物体和背景。对每个类别，我们都要训练一个二元SVM。
• 最后，我们训练一个线性回归模型，为每个辨识到的物体生成更精确的边界框。

fast R-CNN：

• 输入图片。
• 输入到卷积网络中，它生成感兴趣区域。（选择性搜索）
• 利用Rol池化层对这些区域重新调整，将其输入到完全连接网络中。
• 在网络的顶层用softmax层输出类别。同样使用一个线性回归层，输出相对应的边界框。

Faster RCNN工作的大致过程：

• 输入图像到卷积网络中，生成该图像的特征映射
• 在特征映射上应用Region Proposal Network（RPN 区域生成网络），返回object proposals和相应分数。
• 应用Rol池化层，将所有proposals修正到同样尺寸。
• 最后，将proposals传递到完全连接层，生成目标物体的边界框。

他们之间的区别：

原文链接：
https://zhuanlan.zhihu.com/p/46963225
也可以参考下面的文章，感觉还是写得很好的：
https://blog.csdn.net/weixin_43198141/article/details/90178512