首先放R-CNN的原理图
显然R-CNN的整过过程大致上划分为四步：
1.输入图片
2.生成候选窗口
3.对局部窗口进行特征提取（CNN）
4.分类（Classify regions）
而R-CNN的缺陷就在于对每个候选窗口都要进行特征提取，造成了计算时间成本很大。
再放Fast R-CNN的原理图
Fast R-CNN的提高速度的关键就在于将proposal的region映射到CNN的最后一层conv layer的feature map上，意味着一张图片只需要进行一次特征提取。
而既然R-CNN系列已经发展到了Faster，所以我选择直接用Faster R-CNN，而且Faster可以直接做到实时检测目标（速度能达到在视频中实时检测目标）。
且Faster R-CNN的最大改变就是不使用selective search，而是通过所谓的Region ProposalNetwork（RPN），即通过卷积神经网络直接产生region proposal
RPN的作用就是：
(1) 输出proposal的位置(坐标)和score
(2) 将不同scale和ratio的proposal映射为低维的feature vector
(3) 输出是否是前景的classification和进行位置的regression