目标检测发展史归纳R-CNN，Fast R-CNN， Faster R-CNN
简单归纳R-CNN，Fast R-CNN， Faster R-CNN
早期
滑动窗口根据设定步长对图像进行分割，对每一小块分割出的图像用分类器进行分类（object 1 or 0）
局限：1. 滑动窗口的设定；2. 步长的设定
局限于精度和计算成本
R-CNN
采用图像分割算法，筛选出2000个色块，在这2000个色块上放置边界框（候选区域 Region Proposal）
每个候选框（色块）都需进行 * 2000次
- 将色块都修正成合适尺寸，输入CNN进行特征提取
- SVM 进行二分类 object 1 or 0 (classification)
- 回归器修正候选区域 x,y,w,h （regression）
其中最终为fc层（？看完论文再来确定）
Fast R-CNN
- 变动部分：
采用卷积形式实现滑动窗口（ROI Pooling，SPP Net精简）
采用conv替换fc
fc权重固定，故输入尺寸固定，采用conv（借由步长，padding调整）即没有该限制
Faster R-CNN
- 变动部分
采用卷积神经网络替换传统的图像分割产生的候选区域，方法为Region Proposal Network（RPN）