rcnn-->spp-net-->fast rcnn的改进

rcnn

处理框架：

1.输入图像
2.提取候选区域（基于selective search方法）
3.候选区域送入CNN，计算得到每个候选区域的特征向量
4.使用支持向量机进行分类
5.边界框回归（boundingbox regression）

spp(spatial pyramid pooling) net

1.输入图像
2.提取候选区域（基于selective search方法）
3.只对原图进行CNN，把2中得到的候选区域映射到feature map 上，得到候选区域的特征向量。（只不过这里对映射后的候选区域feature进行了金字塔多尺度池化,spatial pyramid pooling）
4.池化结果输入到全连接层
5.边界框回归

spp net相对于rcnn的改进之处在于，只对输入图像进行了CNN，然后将proposal映射到feature map 上，得到对应的卷积特征向量。而不是rcnn那样对每个proposal都进行CNN

fast rcnn

1.输入图像
2.提取候选区域（基于selective search方法）
3.只对原图进行CNN，把2中得到的候选区域映射到feature map 上，得到候选区域的特征向量。（只不过这里对映射后的候选区域feature进行了金字塔多尺度池化）
4.池化结果输入到全连接层
5.使用多任务损失函数，将边框回归直接加入到CNN网络中训练