詳細信息可參考： http://zh.gluon.ai/chapter_computer-vision/rcnn.html
1. 早期傳統的目標檢測或者圖像分類，對整個圖像或者圖像滑窗截取的方式，計算對應的特徵，獲取特徵的方式使用梯度計算，比如hog，lbp，sift，orb，surf等進行特徵描述，獲取特徵後，把特徵放入分類器，進行特徵分類。如果是整幅圖像放進去，就能夠實現特徵分類，如果是滑窗截取的方式就是目標檢測。
2. 接着是r-cnn（其中r表示region）的出現，在傳統圖像處理的思路上，主要考慮到使用卷積神經網絡來提取圖像特徵，這樣就省去了傳統圖像特徵描述子對特徵的提取了。同樣也存在對圖像不同區域的選擇，區域選擇的方法是啓發式搜索（selection search）的方法，通過該方法獲取圖像中不同區域框（會對不同框resize到相同尺寸），然後使用卷積神經網絡獲取特徵，對獲取的特徵使用svm進行框的分類，因此也就確定了框的位置。
3. 接着是fast-rcnn的出現，在rcnn的基礎上，目的爲了解決使用啓發式搜索導致的大量重疊框的出現問題，如果每個框都進行卷積的話會比較浪費資源，所以fast-rcnn先對圖像提取特徵，然後在特徵圖上使用selection search的方法選取區域。這樣就節省了大量重疊區域的卷積開銷。另外把之前的多個svm二分類轉化爲了單個多分類softmax。
又因爲每個selection search選取的區域大小是不一致的，如果使用resize到相同尺寸的方法，會導致卷積神經網絡無法反向傳播求導，所以此處使用的是ROI pooling的方式，將框分割到相同大小的尺寸，方便之後進入全連接層實現分類和框的迴歸。
ROI pooling解釋：對卷積之後的特徵，使用selection search方法獲取框，在框上面劃分成n x m 大小的格子，然後對每個格子中選取最大的值保留，作爲該格子的唯一值。最終就變成了n x m 大小的框。
實例說明：
4. 接着是faster-rcnn的出現，在fast-rcnn的基礎上，爲了解決selection search這個傳統圖像檢測中框選擇運行比較慢的問題，把selection search部分使用了region proposal network（rpn）方法來代替。
（兩幅圖表示的意思一樣，一個是中文一個是英文而已）
region proposal network（rpn)：以特徵圖上的每個像素點生成n個大小形狀不同的框，成爲錨框（anchor box）。這個n個框的生成依賴於預定的生成框的大小和比例決定。
我們對生成的每個錨框進行卷積提取特徵，然後進行bounding box regression判斷與真實框的距離，以及進行二分類判斷是否爲前景框。將初步判定爲存在物體的目標框送入ROI pooling中，處理後使用全連接提取特徵，最後進行softmax分類，和微調（refine）檢測框，使其生成更精確的目標框。
5. 接着是mask-rcnn的出現，在faster-rcnn的基礎上，在mask-rcnn中添加了全卷積神經網絡分支。訓練時需要添加像素級別的類別和位置信息，以此提高目標檢測準確率。
另外，mask-rcnn還提出了使用ROI align來替換ROI pooling層，這是因爲對於像素級別的預測，如果出現像素偏差就會導致掩碼預測出現問題，而ROI pooling的操作必然會導致這樣的問題，爲了解決這個問題，提出了ROI align。ROI align就是在劃分區域時取消ROI pooling類似的量化操作，使用雙線性差值對的方式獲取浮點座標對應的像素值，從而使得整個特徵聚集過程轉化爲一個連續的操作。
ROI align操作說明：假設首先經過卷積神經網絡操作，然後經過區域提議網絡操作之後feature map中regin proposal network獲取不同anchor大小的框，假設其中一個框的大小爲20.78 * 20.78，接着到達ROI align層，需要把feature map 切割成7 * 7大小的塊（ROI align中的pool_size爲7 * 7 ），那麼每塊的大小爲20.78 / 7 = 2.97，即沒一小塊的大小爲2.97 * 2.97，然後在這個2.97 * 2.97 大小的塊中平分n個點，比如平分4個份等，取每一份的中心點，獲取方式是使用雙線性插值的方法，這樣就會得到四個點，對這四個點取最大值，就成爲了7 * 7大小的其中一塊的像素值。可參考下面兩圖，第一個爲示意圖，第二個爲實際取值圖。
RCNN整體發展的總結：
- R-CNN對圖像選取若干提議區域，然後用卷積神經網絡對每個提議區域做前向計算抽取特徵，再用這些特徵預測提議區域的類別和邊界框。
- Fast R-CNN對R-CNN的一個主要改進在於只對整個圖像做卷積神經網絡的前向計算。它引入了興趣區域池化層，從而令興趣區域能夠抽取出形狀相同的特徵。
- Faster R-CNN將Fast R-CNN中的選擇性搜索替換成區域提議網絡，從而減少提議區域的生成數量，並保證目標檢測的精度。
- Mask R-CNN在Faster R-CNN基礎上引入一個全卷積網絡，從而藉助目標的像素級位置進一步提升目標檢測的精度。