Fast R-CNN

Fast R-CNN是要解决R-CNN和SPP-net两千个左右候选框带来的重复计算问题，其主要思想为：

(1) 使用一个简化的SPP层 —— RoI（Region of Interesting） Pooling层，操作与SPP类似；
(2) 训练和测试是不再分多步：不再需要额外的硬盘来存储中间层的特征，梯度能够通过RoI Pooling层直接传播；此外，分类和回归用Multi-task的方式一起进行；
(3) SVD：使用SVD分解全连接层的参数矩阵，压缩为两个规模小很多的全连接层。 

如图9所示，Fast R-CNN的主要步骤如下：

(1) 特征提取：以整张图片为输入利用CNN得到图片的特征层；
(2) 区域提名：通过Selective Search等方法从原始图片提取区域候选框，并把这些候选框一一投影到最后的特征层；
(3) 区域归一化：针对特征层上的每个区域候选框进行RoI Pooling操作，得到固定大小的特征表示；
(4) 分类与回归：然后再通过两个全连接层，分别用softmax多分类做目标识别，用回归模型进行边框位置与大小微调。

图9 Fast R-CNN框架

Fast R-CNN比R-CNN的训练速度（大模型L）快8.8倍，测试时间快213倍，比SPP-net训练速度快2.6倍，测试速度快10倍左右。

图10 Fast R-CNN, R-CNN, SPP-net的运行时间比较

blog.csdn.net/shenxiaolu1984/article/details/51036677(这里写的很好)

总结：应该是这样吧，图片，卷积，提取对应的候选框的特征，可以映射候选框对应的位置时，以候选框所在区域执行max-pooling ,获得候选框特征后，再后面接两个全连接层用于分类（K+1）和回归出框（输出4×(K+1)个值，分别是缩放和平移，估计只是最后计算loss的时候算的是所属类别的框带来的loss），训练的时候也就是训练提取特征的网络（先是在ImageNet上训练1000类分类器。结果参数作为相应层的初始化参数。再是用候选框去调优，前面初始化参数还是会被调优），以及后面的全连接层（后面有一个整体的loss去最小化训练）