1、grandfather: R-CNN網絡
結構如下：
工作流程：
Input(an image) 
Proposals(~2K個，在使用CNN提取特征之前還要先resize) 
feature maps 
每類得分，再經過NMS篩選，再使用手工設計的回歸器進行box regression；
缺點：
（1）速度慢，2K多個proposals都要經過CNN提取特征；
（2）先分類在再回歸，沒有實現end to end；
2、father: fast R-CNN網絡
結構如下：
工作流程：
Input(an Image，同時已經用SS提取了proposals，知道了它們的位置) 整圖的feature map（同時將proposals映射到了feature map上）
（經過Rol Pooling的resize操作）
再使用softmax分類以及box regssion
改進：
（1）不用再對每一個proposal單獨提取特征，大大提高了速度；
（2）引入了ROI Pooling層；
（3）將分類和回歸加入了網絡，且共享卷積層，不用再像R-CNN中那樣單獨訓練SVM和回歸器了；
缺點：
（1）依然在使用SS(selective search)提取候選框，很耗時；
為了摒棄SS，我們取而代之使用RPN網絡，即用CNN實現提取特征框的功能，這樣一來所有的操作都可以通過CNN實現了，真正實現了end to end，然后我們的豬腳登場了：
3、son : faster-rcnn的網絡結構如下：
如上圖所示，（im_info = [M , N , scale_factor]），說一下它的前向傳播流程：
（1）一般對於輸入的圖像，P*Q的原圖先統一縮放為M*N，並且在前面的特征提取層（也可稱“共享卷積層”）中，由於stride = 1 , pad = 1 , kernel size = 3 * 3，所以卷積前后圖像大小不變，只有四個Pool層起到了作用，因此原始圖像經過提取層后的feature map大小為（M / 16）* (N /16)，這樣做也是為了使原始圖像到feature map的縮放系數為整數從而使得feature map上的每個特征點和M*N的原始圖像的區域坐標更方便地實現一一映射關系，這對后面生成proposal會有幫助；
（2）RPN結構中第一個層是一個3*3的卷積層，它作用在經過特征提取層后的feature map上，我覺得這個3*3的卷積作用是為了增加目標附近區域的語義理解；然后再經過兩條支路，每條都首先經過一個1*1的卷積。先看上面一條，這條的作用是對“foreground”和"background"進行二分類，所以經過1*1之后的深度為18（9*2，對應每個點生成9個anchors和每個anchor兩個類別），再看下面一條，也是經過一個1*1的卷積，深度為36（9*4）進行矩形框回歸，然后這兩條支路匯合，首先去除掉background類別，然后對於剩下的forground類別，利用im_info先將anchors放大到M*N的原始圖像上，這些放大后在原始圖像上的區域就是一開始的proposals，數量很多所以我們還要進行兩次篩選：第一次，判斷這些proposals是否大范圍超出圖像邊界，剔除嚴重超出邊界的；第二次，對剩下的proposals進行nms，然后對nms后的proposals根據cls scores進行排序，選取top-N個作為最終的proposals（一般在600個左右），其實到這里檢測任務差不多就完成了，但作者后面還加另一步，相當於一個refine；
（3）之后就涉及到ROI Pooling層了，由於RPN輸出的proposals對應的M*N的輸入圖像，所以我們先通過im_info中的scale_factor將其映射到特征提取層的feature map上，但由於后面需要經過全連接層，而這里每個proposals映射到feature map上的大小均不同，所以我們使用了ROI Pooling層將這些proposals映射后的大小固定（7*7或者6*6，好像論文和實現里稍微有點不同，看代碼就知道了），然后這塊固定的區域再經過全連接層進行分類和坐標框回歸；
關於如何訓練，參考這個：https://www.cnblogs.com/zf-blog/p/7142463.html
補充：
（1）bounding box regression:
