图片中可能含有多个物体需要分类和定位，数量不确定
方案一 sliding windows
计算量太大，不被使用
方案二 region proposals
regions是固定算法选择的，不经过学习。而且计算量还是大
fast R-CNN
选取region之后再投影到卷积层
fast R-CNN已经很快了，但是，对于test time，region proposals的时间限制了模型速度。
faster R-CNN
自己用网络去选取region(在卷积后的层上）
----------------------------------------------------------------------------------------------------------------------------------
YOLO/SSD(single shot detection)
##下图的对比已经不再绝对，YOLO已经很准确了##
Dense Captioning 对每个bounding box进行image captioning
---------------------------------------------------------------------------------------------------------------------------------
Instance segmentation(semantic segmentation 和object detection的混合）
Mask R-CNN
两个分支，一个做object detection，一个做semantic segmentation