RCNN系列（2）--Fast-RCNN与SPPNet

1.简介

Fast-RCNN与SPPNet是同一时期出现，是当时比较热门的话题。其中，Fast-RCNN主要在损失函数和分类上对RCNN做了改进，极大的改善了网络的性能，提高了算法的精度和速度。

2.基本概念

2.1 空间金字塔池化

SPP空间池化，就是固定输出尺寸，如中间那个4×256-d,我们将一个feature map 等分为4块（将一幅图像等分为4块区域，这里是对特征图进行分）。对每个小块进行max pooling 操作，所以我们从每个特征小块得到一个输出，一个 feature map 就有4个输出，256个 feature maps 就有 4×256-d

2.2 Fast-RCNN的多任务损失函数*

总损失为clsscore层损失与bbox_prdict层损失之和。更详细讲解

3.网络结构

3.1 Fast-RCNN
直接使用Softmax替代了R-CNN中SVM进行分类，同时在网络中加入了多任务函数边框回归，实现了端到端的训练（除SS Region Proposal阶段）

3.2 SPPNet

事实上，卷积并不需要固定的图像尺寸，他可以产生任意尺寸的特征图。而另一方面，根据定义，全连接层则需要固定的尺寸输入。因此固定尺寸的问题来源于全连接层，也是网络的最后阶段。
本文引入一种空间金字塔池化( spatial pyramid pooling，SPP)层，以移除对网络固定尺寸的限制。尤其是，将SPP层放在最后一个卷积层之后。SPP层对特征进行池化，并产生固定长度的输出，这个输出再喂给全连接层（或其他分类器）。换句话说，在网络层次的较后阶段（也就是卷积层和全连接层之间）进行某种信息“汇总”，可以避免在最开始的时候就进行裁剪或变形。