R-CNN
选择搜索2000个候选框
在预训练的Alexnet上微调，改为21分类，获得每个候选框的特征向量
用SVM对特征向量进行分类，输出每个候选框的分类得分，再用非极大值抑制筛选
训练回归器，输入特征向量，输出x和y方向的缩放和平移，实现边框修正
Fast R-CNN
改进
选择搜索2000个候选框
原图输入CNN卷积层得到特征图，以及候选框对应的特征图
RoI Pooling Layer对每个候选特征框提取同样大小的输出
不足
Faster R-CNN
改进
原图输入CNN卷积层得到特征图
利用RPN网络通过特征图得到候选框的特征框
回归计算？
后续同样用RoI Pooling Layer，最后分类和回归并行计算
不足
Cascade R-CNN
主要是缓解Faster R-CNN的mismatch问题
采用多级联结构，每一级有不同的权重
逐stage提高proposal的IoU值，从而使得前一个stage重新采样过的proposals能够适应下一个有更高阈值的stage
