两阶段目标检测算法：
R-CNN：
1.对图像进行Selective Search生成1K~2K个候选区域
2.将每个候选区域输入网络提取特征
3.将特征送入每一类的SVM分类器中，判读是否属于该类
4.使用回归器精细修正候选框的位置
具体的一些细节：
1.利用Selective Search 算法通过图像分割的方法得到一些原始区域。然后使用一些合并策略将这些区域合并，得到一个层次的区域结构，这些结构就包含可能需要的物体。
2.对每个候选区域使用深度网络提取特征
将2000个候选区域缩放到227 * 227，接着将候选区域输入到预先训练好的Alex net获取2000 * 4096维矩阵
3.将特征送入每一类的SVM分类器，判断类别
将20004096维特征与20个SVM组成的权值矩阵409620相乘，获得200020维矩阵，表示每个建议框是每个目标类别的得分。对上述200020维矩阵中的每一列及进行非极大值抑制提出重叠的建议框，得到该列中得分最高的建议框（VOC数据集有20类）
（算法的缺点：1.测试速度慢，Selective Search算法提取候选框花费大量时间，候选框之间存在大量重叠，提取特征操作冗余。
2.训练速度慢
3.训练所需空间大）
Fast-R-CNN
1.对输入的图像进行Selective Search得到1K~2K个候选区域
2.将图像输入网络得到特征图（feature map），同时将候选区域投影到特征图上得到相应的特征矩阵
3.通过ROI pooling将特征矩阵缩放到7*7尺寸大小的特征图，接着将特征图展平通过一系列全连接层得到预测结果
分类器（输出N+1个类别的概率（N为检测目标的类别，1为背景）共N+1个节点）
边界框回归器（输出对应N+1个类别的候选边界框回归参数（x,y,h,w）共（N+1）*4个节点）
损失函数：
分类损失函数+边界框回归损失函数
分类损失函数：交叉熵
回归损失函数：smoothL1
Faster - R-CNN:1.将图像输入到网络得到特征图
2.将特征图输入到RPN结构生成候选框，将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77大小的特征图，接着将特征图通过一系列的全连接层得到预测结果
RNP结构 + Fast-R-CNN
RPN结构：
将图片输入到backbone得到feature map，在特征图上使用33大小的滑动窗口，计算出滑动窗口中心相对于原始图像上的中心点，计算出K个anchor boxes没滑动一个位置生成一个一维的向量，通过两个全连接层输出目标概率以及边界框回归参数，针对于k个anchor box 相应的会有2K个 sorces 和 4K个coordinates。
anchor box 是规定长宽比大小的框
三种尺度（面积）{128^2，256 ^2，512 ^2}
三种比例{1：1,1:2,2:1}经验所得
这样每个位置对应就会有3*3=9anchor
对于ZF感受野：171
对于VGG感受野：228
