部分代码与训练数据
R-CNN
(Cafffe + MATLAB): https://github.com/rbgirshick/rcnn (非常慢，看看就好)
Fast R-CNN
(Caffe + MATLAB): https://github.com/rbgirshick/fast-rcnn (非端到端)
Faster R-CNN
(Caffe + MATLAB): https://github.com/ShaoqingRen/faster_rcnn
(Caffe + Python): https://github.com/rbgirshick/py-faster-rcnn
SSD
(Caffe + Python)https://github.com/weiliu89/caffe/tree/ssd
R-FCN
(Caffe + Matlab) https://github.com/daijifeng001/R-FCN
(Caffe + Python) https://github.com/Orpine/py-R-FCN
rcnn:看作分类问题，算法的组合：候选框+卷积提取特征+svm分类
候选框是借用外来的方案，深度学习只是用来提取特征，分类是svm算法，所以不是端到端的方案
1：边缘策略，先根据图像像素之间的关系聚类得到很多的候选框，这部分有很多的方案，比如：selectivesearch
2：根据得到的候选框，分别在每一个候选框上面进行卷积运算
3：把每个候选框得到的卷积运算再分类即可
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
fast-rcnn
针对R-CNN的改进：共享图窗计算，从而加速
1：不是在每个候选框上面进行了卷积运算，而是在统一的进行卷积运算，加快了速度
2：分类不是svm了，而是使用全连接了，先FC然后softmax分类了
3：整个过程是端到端的，不再是组合的算法
----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------
faster-rcnn
Region Proposal(候选图窗)一定要另外独立做吗？一起用RPN做完得了！
改进：候选框不再是另外的方案，而是使用了RPN
所以包含了4个损失函数
关于RPN：Region Proposal Network
