详细信息可参考： http://zh.gluon.ai/chapter_computer-vision/rcnn.html
1. 早期传统的目标检测或者图像分类，对整个图像或者图像滑窗截取的方式，计算对应的特征，获取特征的方式使用梯度计算，比如hog，lbp，sift，orb，surf等进行特征描述，获取特征后，把特征放入分类器，进行特征分类。如果是整幅图像放进去，就能够实现特征分类，如果是滑窗截取的方式就是目标检测。
2. 接着是r-cnn（其中r表示region）的出现，在传统图像处理的思路上，主要考虑到使用卷积神经网络来提取图像特征，这样就省去了传统图像特征描述子对特征的提取了。同样也存在对图像不同区域的选择，区域选择的方法是启发式搜索（selection search）的方法，通过该方法获取图像中不同区域框（会对不同框resize到相同尺寸），然后使用卷积神经网络获取特征，对获取的特征使用svm进行框的分类，因此也就确定了框的位置。
3. 接着是fast-rcnn的出现，在rcnn的基础上，目的为了解决使用启发式搜索导致的大量重叠框的出现问题，如果每个框都进行卷积的话会比较浪费资源，所以fast-rcnn先对图像提取特征，然后在特征图上使用selection search的方法选取区域。这样就节省了大量重叠区域的卷积开销。另外把之前的多个svm二分类转化为了单个多分类softmax。
又因为每个selection search选取的区域大小是不一致的，如果使用resize到相同尺寸的方法，会导致卷积神经网络无法反向传播求导，所以此处使用的是ROI pooling的方式，将框分割到相同大小的尺寸，方便之后进入全连接层实现分类和框的回归。
ROI pooling解释：对卷积之后的特征，使用selection search方法获取框，在框上面划分成n x m 大小的格子，然后对每个格子中选取最大的值保留，作为该格子的唯一值。最终就变成了n x m 大小的框。
实例说明：
4. 接着是faster-rcnn的出现，在fast-rcnn的基础上，为了解决selection search这个传统图像检测中框选择运行比较慢的问题，把selection search部分使用了region proposal network（rpn）方法来代替。
（两幅图表示的意思一样，一个是中文一个是英文而已）
region proposal network（rpn)：以特征图上的每个像素点生成n个大小形状不同的框，成为锚框（anchor box）。这个n个框的生成依赖于预定的生成框的大小和比例决定。
我们对生成的每个锚框进行卷积提取特征，然后进行bounding box regression判断与真实框的距离，以及进行二分类判断是否为前景框。将初步判定为存在物体的目标框送入ROI pooling中，处理后使用全连接提取特征，最后进行softmax分类，和微调（refine）检测框，使其生成更精确的目标框。
5. 接着是mask-rcnn的出现，在faster-rcnn的基础上，在mask-rcnn中添加了全卷积神经网络分支。训练时需要添加像素级别的类别和位置信息，以此提高目标检测准确率。
另外，mask-rcnn还提出了使用ROI align来替换ROI pooling层，这是因为对于像素级别的预测，如果出现像素偏差就会导致掩码预测出现问题，而ROI pooling的操作必然会导致这样的问题，为了解决这个问题，提出了ROI align。ROI align就是在划分区域时取消ROI pooling类似的量化操作，使用双线性差值对的方式获取浮点座标对应的像素值，从而使得整个特征聚集过程转化为一个连续的操作。
ROI align操作说明：假设首先经过卷积神经网络操作，然后经过区域提议网络操作之后feature map中regin proposal network获取不同anchor大小的框，假设其中一个框的大小为20.78 * 20.78，接着到达ROI align层，需要把feature map 切割成7 * 7大小的块（ROI align中的pool_size为7 * 7 ），那么每块的大小为20.78 / 7 = 2.97，即没一小块的大小为2.97 * 2.97，然后在这个2.97 * 2.97 大小的块中平分n个点，比如平分4个份等，取每一份的中心点，获取方式是使用双线性插值的方法，这样就会得到四个点，对这四个点取最大值，就成为了7 * 7大小的其中一块的像素值。可参考下面两图，第一个为示意图，第二个为实际取值图。
RCNN整体发展的总结：
- R-CNN对图像选取若干提议区域，然后用卷积神经网络对每个提议区域做前向计算抽取特征，再用这些特征预测提议区域的类别和边界框。
- Fast R-CNN对R-CNN的一个主要改进在于只对整个图像做卷积神经网络的前向计算。它引入了兴趣区域池化层，从而令兴趣区域能够抽取出形状相同的特征。
- Faster R-CNN将Fast R-CNN中的选择性搜索替换成区域提议网络，从而减少提议区域的生成数量，并保证目标检测的精度。
- Mask R-CNN在Faster R-CNN基础上引入一个全卷积网络，从而借助目标的像素级位置进一步提升目标检测的精度。