Faster R-CNN结构上将特征抽取，region proposal提取，bbox regression（包围边框回归），分类都整合到了一个网络中，综合性能有较大提高，检测速度提升较大。

论文：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks

Fast R-CNN基于R-CNN和SPPNets，进行模型改进。不需要再生成2000个候选区域，只需要特征提取一次，使用selective search生成2000个区域候选框，再CNN卷积，Rol池化形成特定长度特征向量，送入全连接FC，Softmax，输出定位信息。速度较R-CNN有提升，但依旧慢。

论文：Fast R-CNN

ResNet ImageNet LSVRC-2015竞赛冠军，152层残差网络结构，将Top5错误率降到3.57，已经超过人眼水平，此后ImageNet大赛不再举办。解决了梯度消失的问题。

论文：Deep Residual Learning for Image Recognition

VGG为ImageNet LSVRC-2014竞赛亚军，VGG结构简单，应用性强，广受喜爱。VGG-16、VGG-19效果较好。

论文：Very Deep Convolutional Networks for Large-scale Image Recognition

AlexNet是2012年提出的CNN模型， ImageNet LSVRC-2010竞赛冠军，具有划时代意义，在次之前主要用传统机器学习方法SVM，此后，深度学习发展迅速。AlexNet网络结构先卷积，然后全连接。有60 million个参数，65 thousand个神经元，五层卷积，三层全连接网络，输出层为1000通道的softmax。利用了GPU进行计算，大大提高了运算效率。

论文：ImageNet Classification with Deep Convolutional Neural Networks

LeNet-5是Yann LeCun在1998年提出的多层神经网络，用于解决手写数字识别的，并证明在当时该识别方法优于其他识别方法；自此，CNN的模型基本都基于该架构：卷积层、池化层、全连接层。

论文：Gradient-Based Learning Applied to Document Recognition

PyTorch是一个建立在Torch库之上的Python包，是由Facebook开源的神经网络框架。它提供一种类似NumPy的抽象方法来表征张量（或多维数组），可利用GPU来加速训练。Torch是一个经典的对多维矩阵数据进行操作的张量（tensor ）库，包含自动求导系统的深度神经网络，提供了高度灵活性和效率的深度学习实验性平台。与Tensorflow的静态计算图不同，PyTorch的计算图是动态的，可以根据计算需要实时改变计算图。

TensorFlow由谷歌人工智能团队谷歌大脑（Google Brain）开发和维护的开源深度学习平台，是目前人工智能领域主流的开发平台。但从2022年6月开始，TensorFlow要被PyTorch超越，谷歌抛弃TensorFlow，主推JAX。

TensorFlow架构设计优秀，通过张量流进行数据计算和传递，可视化张量流动环节；CPU/GPU部署容易，可进行分布式计算，可跨平台；

OpenCV图像处理综合案例

OpenCV（Open Source Computer Vision Library），是一个跨平台的计算机视觉库。OpenCV由英特尔公司发起并参与开发（美国公司还是强大），以BSD许可证授权发行，可以在商业和研究领域中免费使用。OpenCV可用于开发实时的图像处理、计算机视觉以及模式识别程序。^[1][2]

OpenCV可解决增强现实、人脸识别、手势识别、人机交互、动作识别、运动追踪、物体识别、图像分割、机器人等领域问题。