把r-cnn系列总结下，让整个流程更清晰。
整个系列是从r-cnn至spp-net到fast r-cnn再到faster r-cnn。
RCNN
输入图像，使用selective search来构造proposals（大小不一，需归一化），输入到CNN网络来提取特征，
并根据特征来判断是什么物体（分类器，将背景也当做一类物体），最后是对物体的区域（画的框）进行微调（回归器）。
由下面的图可看出，RCNN分为四部分，ss(proposals)，CNN，分类器，回归器，这四部分是相对独立的。改进的思路就是
把分类器和回归器放在一起训练，称为joint learning（fast r-cnn），更近一步，把ss也加入其中，成为一个更大的网络（faster）。
SPP
在之后的fast和faster中，SPP都非常重要，其主要解决网络输入的尺寸固定这个问题。主要思想就是在全连接层之前，用不同尺度
的pooling来pooling出固定尺度大小的feature map，再送入全连接层。
SPP真正重要的是在检测中的应用。RCNN提取2K个proposals再去计算特征，这些proposals有大量的重复，因此计算很耗时。SPP
只提取整张图像特征一次，再在特征图对应的候选窗口上应用spatial pyramid pooling构造出固定长度的，这就大大节省了计算量。
现在的问题是，对何将某个proposals对应到相应的特征图上去呢（这部分我没看明白，下面为博友的看法）？
通过增加pad，使得卷积后得到的区域与原区域是一一对应的。如果增加stride的话，就相当与原图先进行卷积再sampling，还是
一一对应的，就这样原图的某个区域就可以通过除以网络的所有stride来映射到conv5后去区域。
FAST RCNN
提出了RoI层：SPP是将特征pooling成多个固定尺度（eg,16+4+1=21）,而RoI固定到一个尺度（6*6）。网络结构中，将poolings5
替换成RoI。
将softmax换成两个分支：一个是对分类的softmax，一个是对bounding-box的regression。输入有两个，一个是整张图片，一个是proposals。
并且采用的是联合训练。
训练方式：一个batch训练两张图片，每张图片有64个RoIs。
SVD加速：检测时花在全连接上的时间很多，通过SVD分解变为两个全连接层，减少计算量。
FASTER RCNN
将selective search这样的算法整合到深度网络中，共享卷积计算，解决其速度慢的问题，因此论文的关键在RPN的设计和训练。
RPN的网络结构如图所示，和SPP类似，在特征图上进行滑窗。如何训练出一个网络，来替代selective search的功能呢？
先通过SPP根据一一对应的点从conv5映射回原图，根据设计不同的固定初始尺度训练一个网络，就是给它大小不同（但设计固定）的region图，
然后根据与ground truth的覆盖率给它正负标签，让它学习里面是否有object即可。这个网络大致判断是否有物体及位置，剩下的部分交给其余的
网络。在这期间，卷积特征是共享的，因此可以省时。
这是大致流程，实际上整个框架很复杂，有很多细节需要学习，这也在以后的代码学习中去完善。
参考：http://blog.csdn.net/xyy19920105/article/details/50817725
http://closure11.com/rcnn-fast-rcnn-faster-rcnn%E7%9A%84%E4%B8%80%E4%BA%9B%E4%BA%8B/