由于毕业设计需要用到Faster R-CNN框架，故对此框架进行学习，为了更好的理解，找到了一篇非常详细的良心博客，这个系列分块对这篇博客翻译。
供学习使用。
首先贴出博文发原地址：
http://www.telesens.co/2018/03/11/object-detection-and-classification-using-r-cnns/
在这篇文章中，我将详细描述R-CNN(带有CNN特征的区域)，一种最近引入的基于深度学习的对象检测和分类方法是如何工作的。R-CNN在检测和分类自然图像中的目标方面被证明是非常有效的，获得的地图分数远远高于以前的技术。R-CNN方法在Ross Girshick等人的一系列论文中进行了描述。
以下链接是这篇文章进行解读的参考代码：
https://github.com/ruotianluo/pytorch-faster-rcnn
本文中使用的很多术语(例如不同层的名称)都遵循了代码中使用的术语。理解这篇文章中提供的信息可以使您更容易地跟踪PyTorch实现并进行自己的修改。
文章组织
section1 图像预处理
在本节中，我们将描述应用于输入图像的预处理步骤。这些步骤包括减去一个平均像素值和缩放图像。训练和推断之间的预处理步骤必须相同。
sectio2 网络组织
在这一节中，我们将描述网络的三个主要组成部分——“head”网络、区域建议网络(RPN)和分类网络。
section3 训练过程细节
这是这篇文章最长的部分，详细描述了训练R-CNN网络的步骤
section4 推断过程细节
在这一节中，我们将描述推理过程中所涉及的步骤，例如使用训练好的R-CNN网络来识别有前景的区域，并对这些区域内的物体进行分类。