目标检测的选框操作：第一步：找出一些边缘信息，进行图像合并，获得少量的边框信息
1.R-CNN，
第一步：进行图像的选框，对于选出来的框，使用卷积计算其相似度，选择最相似ROI的选框，即最大值抑制ROI，进行了选框的合并
第二步：对每一个选出来的框进行回归和分类，回归的目的是为了对选框位置信息进行调整，分类是获得目标结果。
存在的问题，对每一个图像都要进行一次卷积，很多地方都是进行了重复的卷积操作
2. Fast R-CNN 对于一个图像而言，先对图像进行卷积操作，然后选框选出图像的感兴趣的区域，送入到全连接层进行分类和回归， 选框操作和卷积操作是分开的，不是一个端对端的操作
3. Faster R-CNN 加入了一个proposals，用于进行选框操作，
第一步：对图像进行卷积操作
第二步：使用proposals进行选框操作， 每一个点存在9种框的类型
第三步：对选出来的框对应特征进行分类和回归操作
对于proposals的每一个点都进行分类和回归来判断矩阵框的位置，即上述矩形框有9种位置信息
深度学习原理与框架-卷积网络细节-三代物体检测算法 1.R-CNN 2.Fast R-CNN 3.Faster R-CNN
原文：https://www.cnblogs.com/my-love-is-python/p/10515831.html