1、R-CNN

RCNN算法4个步骤

1、一张图像生成1K~2K个候选区域(使用Selective Search方法)

2、对每个候选区域，使用深度网络提取特征

3、特征送入每一类的SVM分类器，判别是否属于该类

4、使用回归器精细修正候选框位置

R-CNN 缺陷 ：

1.训练是一个多阶段的过程 (卷积网络 → 支持向量机 → 边界框回归网络)；

2.训练在空间和时间上都比较复杂

3.物体检测很慢

2、Fast R-CNN

Fast R-CNN算法3个步骤

1、一张图像生成1K~2K个候选区域(使用Selective Search方法)

2、将整张图像输入网络得到相应的特征图，将生成的候选框投影到特征图上获得相应的特征矩阵。

3、将每个特征矩阵通过ROI pooling层缩放到7x7大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果。

3、Faster-RCNN

Faster R-CNN是在Fast R-CNN的基础上引入RPN而得到的，旨在解决Fast R-CNN中候选区域生成耗时的问题。通过RPN，Faster R-CNN能够直接生成高质量的候选区域，从而大大提高了检测速度。RPN模块负责生成Region Proposals，即告诉Fast R-CNN模块应关注原图片的哪些区域。Fast R-CNN模块则使用这些proposed regions来进行目标检测任务。Faster R-CNN解决了之前版本中Region Proposal使用selective search算法在CPU上运行，无法享受GPU加速的问题，并且通过共享计算的机会提高了算法的运行速度。

总结：

R-CNN中含有回归器，SVM，CNN,道路Faster中只有CNN了，回归器和分类器被接到了全连接层后面，到了FasterR-CNN，把SS算法换成了RPN，可以享受到GPU的加速，效果更快。