Fast R-CNN的淺解

Fast R-CNN在第一代卷積網絡RCNN的基礎上，采用了SPP-Net網絡的方法，誕生了第二代目标檢測卷積網絡算法。

Fast R-CNN論文

Fast R-CNN是在2015年ICCV上發表，論文位址：《Fast R-CNN》

Fast R-CNN的流程：

input image → CNN → 每張候選框的特征 → 分類和回歸

而R-CNN 的流程：

候選框（~2k）→ CNN → 每個候選框的特征 → 分類和回歸

Fast R-CNN的改進點：

1. 加入了一個ROI pooling layer
2. 損失函數使用了多任務損失函數(multi-task loss)

1).ROI pooling 層實際上是SPP-Net的精簡版，這層的作用是把不同大小的輸入映射到一個固定尺寸的特征向量。

2).Fast R-CNN 直接用Softmax替代SVM進行分類，将邊框回歸也加入了網絡中訓練，這樣整個過程就是端到端的。

Fast R-CNN的思想:

1. 共享卷積層
2. 有了“RoI Pooling” layer

Fast R-CNN不是真正意義上的end2end，因為必須有一些RoI才能去映射，而RoI是用傳統的算法從原圖像中得來的。之後就有了Faster R-CNN來解決這個region proposals問題。

Reference：

https://cloud.tencent.com/developer/news/281788