主要观点总结
R-CNN、SPP-Net、Fast-R-CNN和Faster-R-CNN是目标检测和识别的几种经典方法，它们各有特点和优缺点。R-CNN需要先使用Selective Search方法提取图像中的候选框，然后用CNN进行特征提取，最后用SVM训练分类器。SPP-Net通过添加Spatial Pyramid Pooling layer来避免对候选框进行Resize操作，从而实现了对不同尺寸输入图像的适应性。Fast-R-CNN基于R-CNN和SPP-Net思想，提出了多任务Loss训练方式，并可以更新所有层的网络参数。Faster-R-CNN引入RPN网络提取候选框，实现了端到端的目标检测和识别，提高了速度和准确性。YOLO是一种可以一次性预测多个Box位置和类别的卷积神经网络，实现了端到端的目标检测和识别，最大的优势是速度快，但牺牲了一些精度。这些方法各有优缺点，适用于不同的应用场景。
关键观点总结
关键观点1: R-CNN、SPP-Net、Fast-R-CNN和Faster-R-CNN的特点和优缺点
R-CNN需要先使用Selective Search方法提取图像中的候选框，然后用CNN进行特征提取，最后用SVM训练分类器。SPP-Net通过添加Spatial Pyramid Pooling layer来避免对候选框进行Resize操作，从而实现了对不同尺寸输入图像的适应性。Fast-R-CNN基于R-CNN和SPP-Net思想，提出了多任务Loss训练方式，并可以更新所有层的网络参数。Faster-R-CNN引入RPN网络提取候选框，实现了端到端的目标检测和识别，提高了速度和准确性。
关键观点2: YOLO的特点和优势
YOLO是一种可以一次性预测多个Box位置和类别的卷积神经网络，实现了端到端的目标检测和识别，最大的优势是速度快，但牺牲了一些精度。
关键观点3: 各种方法的比较和应用场景
这些目标检测和识别方法各有优缺点，适用于不同的应用场景。例如，R-CNN适用于需要精确检测和识别的场景，而YOLO则适用于对速度和实时性要求较高的场景。
文章预览
一. R-CNN：Rich feature hierarchies for accurate object detection and semantic segmentation 技术路线：selective search + CNN + SVMs Step1:候选框提取(selective search) 训练：给定一张图片，利用seletive search方法从中提取出2000个候选框。由于候选框大小不一，考虑到后续CNN要求输入的图片大小统一，将2000个候选框全部resize到227*227分辨率（为了避免图像扭曲严重，中间可以采取一些技巧减少图像扭曲）。 测试：给定一张图片，利用seletive search方法从中提取出2000个候选框。由于候选框大小不一，考虑到后续CNN要求输入的图片大小统一，将2000个候选框全部resize到227*227分辨率（为了避免图像扭曲严重，中间可以采取一些技巧减少图像扭曲）。 Step2:特征提取(CNN) 训练：提取特征的CNN模型需要预先训练得到。训练CNN模型时，对训练数据标定要求比较宽松，即SS方法提取的proposal只包含部
………………………………
