Fast R-CNN 介紹
R-CNN算法除了候選框選取上耗時的缺陷外，另外一個最大的缺陷就是矩形框重疊部分的特征提取存在重複計算，針對這個缺陷，R-CNN的作者繼續發力，又提出了R-CNN的快速版本，即Fast R-CNN。
Fast R-CNN就是R-CNN結合SPPNet所做的改進和優化，采用了ROI Pooling層來完成image的crop或者warp，得到固定尺寸的輸出給到fc層（這裡的ROI Pooling可以了解成單層的SPPNet）；同時，Fast R-CNN還采用了多任務網絡來同時解決分類和位置回歸，替換了R-CNN中的SVM以及線性回歸，大大縮短訓練時間。
是以，總結來說，Fast R-CNN主要有兩點改進：ROI Pooling和多任務網絡。
ROI Pooling
ROI Pooling可以看成是SPPNet最簡單的一種形式，就是單層SPPNet，當然它也是池化層的一種。
大緻原理就是要實作一個proposal摳圖的過程，先把proposal摳出來，根據proposal的相對坐标摳取到feature map上所對應的的候選區域的位置，然後對摳取出的feature map進行resize到一個統一的size，通常這裡的resize我們會采用特定的pooling操作，具體操作如下：
1）根據輸入的image， 将ROI映射到feature map對應的位置：由于我們輸入的proposal的真實位置是相對于原圖的，而ROI Pooling是作用在卷積層的輸出feature map上，是以需要映射到feature map的對應位置；
2）将上面得到的位置摳取出來，并劃分為多個相同大小的block（網格結構），block數量與最後輸出的次元相同；
3）對每個block進行最大池化操作；
4）最後得到固定尺寸的輸出；
Fast R-CNN原理
可以看到，Fast R-CNN與SPPNet的主要不同在于卷積層之後以及FC層之前的這一部分，與SPPNet不同的是，Fast R-CNN采用ROI Pooling層來得到FC層的輸入，以達到固定尺寸的目的，然後fc層的輸出分成兩部分，一部分進行bounding box的回歸，一部分進行候選框類别的判定。
總結就是：
image->CNN->SS->ROI Pooling->FC->class identification && boundingbox regression
Fast R-CNN缺點
仍然存在巨大的一個瓶頸，那就是選擇性搜尋進行候選框的提取，非常耗時，是以我們需要思考一個問題就是，我們能不能找出一個更加高效快速的方法來得到這些候選框呢？答案當然是肯定的，那就是RPN網絡（Region Proposal Network）。
與R-CNN的對比
可以看出來，相比于R-CNN來說，Fast R-CNN實作了目标檢測算法質的飛越，可喜可賀！