R-CNN,fast-RCNN,faster-RCNN

YOLO V1的目标检测理念是从Faster R-CNN区域候选网络继承来的，那么 Faster R-CNN是什么? Faster R-CNN怎么来的？R-CNN又是什么？

一层层的来，CNN就不用说了。

一、R-CNN,region with CNN features,区域卷积神经网络.

网上已经有很多一句话就总结的很好的：R-CNN系列模型为两阶段目标检测器/通过对图像生成候选区域，提取特征，判别特征类别并修正候选框位置。

什么是“两阶段”呢？

两阶段指的是实现检测的方式有主要两个过程，如下：

第一步：先提取物体区域；

第二步：再对区域进行CNN分类识别；

两阶段two-stage是yolo重点改进的特性，yolo是one-stage.

为防止文章体积膨胀，看到这篇文章的人占用时间过长，就说这些，不展开了。

二、fast-RCNN

Fast R-CNN相比R-CNN具有以下主要优势

1.速度提升:Fast R-CNN在训练和测试时相对较快，主要原因是它避免了R-CNN中的一些耗时步骤。在R-CNN中，对于每个提议区域，都需要单独进行卷积神经网络的前向计算，这会导致大量的重复计算。而Fast R-CNN则首先对整个图像进行特征抽取，然后再选取提议区域，从而减少了重复计算，提高了速度

2.特征共享:Fast R-CNN采用了特征共享的方法，即在整个图像上提取特征后，这些特征可以在所有提议的区域重复使用，而不需要为每个区域重新计算。这进一步提高了计算效率。

3,多任务损失:Fast R-CNN采用多任务损失，这使得训练过程更加高效和稳定。同时，训练过程中可以更新所有网络层，使得模型更加健壮和灵活.

4.无需特征缓存:由于Fast R-CNN采用了特征共享的策略，因此它不需要像R-CNN那样缓存每个区域的特征，这进一步减少了存储和计算的需求。

5.更高的检测质量:虽然Fast R-CNN在速度上有所提升，但它并没有牺牲检测质量。实际上，由于其优秀的特征共享机制和高效的训练过程，Fast R-CNN通常具有比R-CNN更高的检测质量。

因此，Fast R-CNN在保持甚至提高检测质量的同时，显著提高了检测速度，并简化了计算过程，这是其相对于RCNN的主要优势。

三、Faster R-CNN

Fast R-CNN在R-CNN的基础上做了改进，它将卷积神经网络应用于整张图片，得到一张特征图，然后对候选区域进行池化操作，得到固定大小的特征向量。Fast R-CNN的速度比R-CAN提高了数十倍，但仍然比较慢。

Faster R-CNN是在Fast R-CNN的基础上引入了区域生成网络 (Region Proposal Network，简称RPN)，用于生成候选框。Faster R-CNN比Fast R-CNN更快，精度也更高。

最后放一张三个RCNN的架构图：