R-CNN：
selective search 算法 选择出可能包含目标的目标框。
对于每个可能的候选框分别卷积，提取特征。
通常RP大小都不相同，但AlexNet要求输入图像大小是227×227，所以需要对RP进行resize操作，将它们变形为
227×227。变形之前，我们先在候选框周围加上16的padding,再进行各向异性缩放。 这种形变使得mAp提高了3到5个百分点。然后对每个特征图做了分类（svm）和回归任务
Fast rcnn：
针对RCNN中每个卷积不能共享（全连接层必须尺寸一样的特征图）提出了Faste rcnn
（1）整个图像做了一个全卷积，得到特征图
（2）将图像中可能存在目标的区域（这个还是用selective search算法得到）映射到特征图中（感受野），ROIs
（3）做了ROI Pooling，将特征图比较大的区域框，提取更多的，特征图比较小的区域框，提取小的，然后拼接成同一大小的特征图
（4）将这个特征图连接到全连接层作分类和回归任务
Faster rcnn： RPN + Fast Rcnn
（1）整张图像进行卷积得到特征图
（2）对特征图进行RPN操作，得到可能是目标区域的候选框（相对于原始图像的候选框），代替了selective search算法
（3）将这个候选框映射到（1）中得到的特征图上
（4）进行分类和回归
