Faster R-CNN و Fast R-CNN هر دو معماری‌های تشخیص شی هستند که از ترکیبی از شبکه‌های پیشنهادی منطقه و طبقه‌بندی برای شناسایی اشیا در تصاویر استفاده می‌کنند.
Faster R-CNN یک معماری جدیدتر است که با استفاده از شبکه پیشنهادی منطقه (RPN) برای تولید پیشنهادهای منطقه به جای استفاده از جستجوی انتخابی، معماری اصلی R-CNN را بهبود می بخشد. RPN یک شبکه سبک وزن است که بر روی کل تصویر اجرا می شود و پیشنهادهایی را برای مناطقی که ممکن است حاوی اشیاء باشند ایجاد می کند. این پیشنهادها سپس برای طبقه بندی به شبکه Fast R-CNN ارسال می شود. مزیت اصلی این معماری این است که سریعتر از R-CNN اصلی است زیرا نیازی به اجرای شبکه طبقه بندی در همه پیشنهادات منطقه ای ندارد.
Fast R-CNN یک معماری قبلی است که به عنوان یک پیشرفت نسبت به R-CNN اصلی پیشنهاد شده است. از رویکردی مشابه R-CNN استفاده می‌کند، اما با برخی تغییرات برای سریعتر و کارآمدتر کردن آن. Fast R-CNN به جای اجرای CNN در هر پیشنهاد منطقه ای، CNN را روی کل تصویر اجرا می کند و سپس از نقشه های ویژگی برای استخراج ویژگی ها برای هر پیشنهاد منطقه استفاده می کند. این امر هزینه محاسباتی را کاهش می دهد و شبکه را سریعتر می کند.
هر دو Faster R-CNN و Fast R-CNN به طور گسترده در وظایف تشخیص اشیاء استفاده می شوند و نشان داده شده است که عملکرد خوبی در چندین مجموعه داده دارند. سریعتر R-CNN یک معماری پیشرفته‌تر در نظر گرفته می‌شود و عموماً برای کارهای پیچیده‌تر تشخیص اشیا استفاده می‌شود، در حالی که Fast R-CNN یک معماری ساده‌تر و سریعتر در نظر گرفته می‌شود که اغلب برای برنامه‌های کاربردی تشخیص اشیا بلادرنگ استفاده می‌شود.