编者按：环信开源国内首本免费深度学习理论和实战专著《深度学习理论与实战：提高篇 》，内容涵盖听觉，视觉，语言和强化学习，七百多页详尽的理论和代码分析。本文节选自《深度学习理论与实战：提高篇 》一书，原文链接http://fancyerii.github.io/2019/03/14/dl-book/ 。作者李理，环信人工智能研发中心vp，有十多年自然语言处理和人工智能研发经验，主持研发过多款智能硬件的问答和对话系统，负责环信中文语义分析开放平台和环信智能机器人的设计与研发。
目录
R-CNN
Fast R-CNN
Faster R-CNN
Mask R-CNN
前面逐个的介绍了Fast R-CNN、Faster R-CNN和Mask R-CNN这一系列算法，这里再通过的图片总结一下它们的演进过程。这些图片来自这篇文章。
R-CNN
首先是R-CNN，如下图所示。它的输入是一种图片，通过Region Proposal之后得到3个候选区域。由于区域大小不同，所以需要缩放(wrap)成固定的大小，然后使用CNN来进行分类和Bounding box回归。注意原始论文只用CNN来提取特征，用SVM来分类，用另外一个单独的模型来回归，但这个图是改进的版本，直接用神经网络来进行分类和回归。它预测的时候每一个候选区域都需要用CNN来提取特征，速度慢。
图：R-CNN Family之R-CNN
网络流图如下图所示，这里的分类器和回归也是原始论文的SVM和单独的回归模型。
图：R-CNN Family之R-CNN
Fast R-CNN
接下来是Fast R-CNN，如下图所示。它不需要对每个Region Proposal都进行特征提取，而是对整个图片进行一次特征提取，然后每个RoI找到对于的特征区域。由于每个RoI大小不一样，因此得到的特征区域也是不一样，所有需要通过一个RoI Pool层把它们变成大小一样，之后就没有什么不同了。
图：R-CNN Family之Fast R-CNN
网络流图如下图所示：
图：R-CNN Family之Fast R-CNN
RoI Pooling如下图所示，注意这里和前面介绍的稍有出入，前面哪个狗狗图片在RoI Pooling时20/7=2了，这里5x7的的要Pooling成2x2。如果按照之前的方法，应该每个格子都是2x3的，然后第5行和第7列被忽略。这里的方法稍微不同，它切分的4个格子大小都不同，分别是2x3、2x4、3x3和3x4的，这样的好处是利用了所有的信息。这在检测上会有帮助，但前者的实现上更简单一点。
图：R-CNN Family之RoI Pooling
Mask R-CNN
Mask R-CNN如下图所示。它把RoI Pooling变成了RoI Align，然后输出多了一个分支用来预测每个像素是否属于目标物体的Mask。
图：Mask R-CNN
它的网络流图为：
图：Mask R-CNN
得到候选区域后用于分类、回归和mask的网络叫作head(与之对应的之前的网络叫backbone)，论文使用了两种head，如下图所示。
图：Mask R-CNN的两种head网络结构
