RCNN，Fast-RCNN，Faster-RCNN以及YOLO的區別

RCNN：

1）：利用selective-search方法提取2000個自下而上的region proposal；

2）：針對每一個region proposal我們用一個大的CNN網路計算特徵；

3）：利用線性SVMs分類器對每個region proposal進行分類；

4）：進行回歸分析調整region proposal區域。

參考論文：Rich feature hierarchies for accurate object detection and semantic segmentation

推薦論文：RCNN論文詳解

Fast-RCNN：

1）讀取整個圖片和一個ROI（Regions of Interest，也就是一系列劃分的bounding box）集合作為輸入)；

2）然後convnet從整個圖片中提取特徵，得到feature map；

3）對每一個ROI區域，pooling層從feature map中提取一個固定大小的feature factor；

4）feature factor被送往FC（fully-connected layer），被映射到兩個部分，一部分是評估k個目標類加上catch-all"背景"類的softmax probability；另一部分產生bbox regressor，即針對k個目標對象的每一個4值真值數量（4 real-valued numbers），每個4值編碼集合（set of 4 values）K類目標對象之一的bounding-box位置。

參考論文：Fast-RCNN論文出處

推薦論文：Fast R-CNN

Faster-RCNN：

1）：針對整張圖片，利用CNN獲取feature map；

2）：利用RPN網路針對feature map進行全連接運算，將其輸出為256d或者512d的低維特徵向量，

3）：最後將該低維向量送入兩個全連接層，即box回歸層和box分類層。

RPN介紹：Region Proposal Network，利用卷積後的特徵圖生成region proposal，通過增加兩個卷基層實現，RPN網路輸出的是坐標和score兩類。

參考論文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

推薦論文：

以上的三種方法都是將目標檢測分為兩部分實現的：

1）物體的類別；分類問題。

2）物體的區域，即bounding box，回歸問題。

而YOLO將問題直接當做回歸問題求解，輸入圖像經過處理，可以直接獲取到圖像中物體的類別及其confidence以及物體的位置。

YOLO：

YOLO講輸入圖像分為S×S個grid，每個grid負責檢測落入其中的物體。如果物體的中心位置落入該grid，則該grid就負責檢測出這個問題。每個grid輸出B個bounding box的同時還要輸出C個物體屬於某類的confidence，從B個裡面挑選IOU最大的那個bounding box，同時C是總共包含的類的類別。

參考論文：You Only Look Once: Unified, Real-Time Object Detection

參考文獻：YOLO詳解