faster-rcnn是MSRA在物体检测最新的研究成果，该研究成果基于RCNN，fast rcnn以及SPPnet，对之前目标检测方法进行改进，faster-rcnn项目地址。
首先，faster rcnn所使用的caffe版本并不是官方caffe，是Shaoqing Ren自己在官方版本上实现的一个caffe，具体下载地址为：caffe-faster-rcnn地址
另外，在配置caffe时，可以直接把自己已配置成功的makefile.config文件拷贝过去。
由于该版本caffe相对最新的caffe比较旧，因此如果使用opencv 3.0以上版本，需要对Makefile进行修改（实现对OpenCV 3.x的支持）
查找“Derive include and lib directories”一节，修改“LIBRARIES +=”的最后一行，增加opencv_imgcodecs
opencv_core opencv_highgui opencv_imgproc opencv_imgcodecs
保存，退出。
在此基础之上，需要对原本编译成功的caffe的makefile.config文件进行修改，rbg给出了makefile.config修改参考地址：Makefile.config
如果出现错误：
Building with 'g++'. /home/agruzdev/git/faster_rcnn/external/caffe/matlab/+caffe/private/caffe_.cpp:19:28: fatal error: gpu/mxGPUArray.h: No such file or directory compilation terminated.
解决地址：解决方案
在Makefile.config文件中加入：
MATLAB_INCLUDE := -I$(MATLAB_DIR)/toolbox/distcomp/gpu/extern/include MATLAB_LIBS := -lmwgpu
提示错误：
Invalid MEX-file caffe_.mexa64': libcudart.so.7.5: cannot open shared object file: No such file or directory
解决方案：
LD_LIBRARY_PATH路径未配置
sudo gedit ~/.bashrc
在文本最后加入：
export LD_LIBRARY_PATH=/usr/local/cuda-7.0/lib64:/usr/local/lib:$LD_LIBRARY_PATH
对应自己的cuda路径位置
注：每次需要在新机器上部署fater-rcnn代码时候，最好的方法就是把对应的caffe-fater-rcnn版本重新放在external下面，保留原有的Makefile.config文件，
这样可以最快的部署好faster- rcnn平台。
错误：
[libprotobuf ERROR google/protobuf/descriptor_database.cc:57] File already exists in database: caffe.proto [libprotobuf FATAL google/protobuf/descriptor.cc:1018] CHECK failed: generated_database_->Add(encoded_file_descriptor, size): Killed
解决方法：
最好方法是重启matlab
安装2：
在有多个项目需要使用多个data时，最好将所有需要用的数据都存放在datasets文件夹下，使用ln -s srcpath dstpath来构建软链接到项目中，这样一次构建就可以永久使用，也不用考虑后续的其它问题。
构建软链接的命令为：
ln -s srcpath dstpath
在使用faster-rcnn时候，如果因为服务器的迁移带来的问题，那么需要将bin文件夹下生成的mex文件进行删除，使用faster_rcnn_build命令来重新生成，具体的操作细节同faster-rcnn的github主页上readme相同。
注意：faster-rcnn中使用的caffe版本较低，不支持cudnn-v4，因此如果要在Makefile.config文件中打开CUDNN加速，那么安装的cudnn版本应该低于v4（v2或者v3：没试过）
---------------------------------------------------- 2016.05.09更新 --------------------------------------------------
Faster RCNN主要有两部分组成：
Region porposal Network（获取region candidate）
Detection（Fast RCNN）
由于rpn网络是一个0（non-region） vs 1 (region)网络，所以一般情况下不用使用自己的数据集进行finetuning，直接使用已经训练好的rpn_ZF.caffemodel获取对应图像的region proposal即可。当然也可以使用自己的数据集对该网络进行finetuning。
RPN网络的另外一种region 提取方法：
DeepBox
deepproposal
deepmask
但是在一般应用中需要根据自己的实际情况对detection网络，即Fast RCNN网络进行finetuning。这里要讲的是如何使用自己的数据集对Fast RCNN网络进行finetuning。在已有训练好的网络caffemodel前提下，从头训练一个网络是非常费时也是费人的。我就是经历了这样一个痛苦的过程，才走回正道。在做一个事情之前需要认证想清楚自己的目标是什么，不要盲目的做，到头来浪费时间，耽误研究进程。
如何使用自己的数据集finetuning FastRCNN，网上已经给出了很多参考教程：
Train a fast-rcnn CovNet on another dataset
Train Fast-RCNN on Another Dataset
Test Fast-RCNN on Another Dataset
how to use py-faster-rcnn to do 4 classes training instead of 20 classes?
Training Faster RCNN on Imagenet
How to train fast rcnn on imagenet
以及将ResNet应用于Fast RCNN中进行检测：
ResNet Implementation for Faster-rcnn
上述进行Fast RCNN finetuning都是基于fast rcnn python版本进行。由于本人使用的是Ren Shaoqing提供的matlab版本，所以需要在matlab下面进行finetuning。
在$FRCNN/experiments/ZF_for_Fast_RCNN_VOC0712文件中，在给定train.mat（bbox：region candidate，images： image_path）条件下使用数据集进行finetuning。
操作步骤：
1.$FRCNN/+Dataset/文件夹下添加自己的数据集对应文件；
2.使用selective search 或者上面提到的已经训练好的RPN网络来获取bbox，将其存成train.mat形式（具体形式见网上selective_search_data.mat)；
3.修改solver.prototxt文件以及train_val.prototxt 和 test.protxt文件中对应的cls 和 bbox数值，以及对应的layer_name;
4. 修改fast_rcnn_train.m文件中snapshot函数中
bbox_pred_layer_name = 'bbox_pred_vid';
为自己定义的layer:name(bbox_pred_vid)。
5. 修改fast_rcnn_im_detect.m文件中
scores = caffe_net.blobs('cls_score_vid').get_data();
为自己定义的layer:name(cls_score_vid)。
6.修改imdb_eval函数
最后就可以按照ZF_for_Fast_RCNN_VOC0712仿写自己的训练程序。
2017.05.16更新 py-faster-rcnn
Nvidia cuda版本已经更新至8.0，因此在使用py-faster-rcnn的时候需要支持cuda8.0，而原始的faster python版本代码并不支持cuda8.0，所以需要将其中的caffe代码进行更新。