这篇论文发表在
NIPS2015上。region proposal计算出现瓶颈，因此引入RPN网络，与检测网络共享整幅图像的的卷积特征，所以region proposal几乎是没有代价的。Faster R-CNN能够达到实时，并且精确度高。
Fast-R-CNN
这篇文章发表在
ICCV2015上，为了改进R-CNN，SPPnet多阶段训练的缺点，以及SPPnet限制了误差的反向传播的缺点，提出了Fast R-CNN。在训练过程中，使用multi-task loss简化了学习过程并且提高了检测准确率。
SPPNet:Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition
为了解决现有
CNN需要固定输入大小的问题，提出了SPP-net，使得针对任意尺寸的图像生成固定长度的特征表示。输入一张图，只需要对整张图进行一次feature map的计算，避免了像R-CNN那样重复地计算卷积特征。SPP-net不仅可以应用在分类任务上，而且在检测任务上也有很大的性能提升。
R-CNN:Rich feature hierarchies for accurate object detection and semantic segmentation
这篇文章发表在
CVPR2014上面，是第一篇展示CNN可以在PASCAL VOC数据集上带来明显更好的目标检测性能的文章。提出了一种使用selective search+CNN的两阶段的目标检测方法。创新点在于使用CNN提取特征，在大数据集下有监督的预训练，小数据集上微调解决样本数量少难以训练的问题。
